ПРИМЕНЕНИЕ НОВЫХ ЦИФРОВЫХ ТЕХНОЛОГИЙ В ПРОФЕССИОНАЛЬНОМ ОБРАЗОВАНИИ

АННОТАЦИЯ

В статье рассмотрены возможности применения нейронных сетей в профессиональном образовании. Приведены примеры использования алгоритмов машинного обучения при подготовке специалистов по разработке веб-приложений. Также была проанализирована другая сторона этой технологии - возможные последствия повсеместного использования нейросетей не только в образовательном процессе, но и в любой сфере деятельности.

ABSTRACT

The article considers the possibilities of using neural networks in professional education. Examples of the use of machine learning algorithms in the training of specialists in the development of web applications are given. The other side of this technology was also analyzed - the possible consequences of the widespread use of neural networks not only in the educational process, but also in any field of activity.

Ключевые слова: образование; нейросети; нейронные сети; преподаватель; графический дизайн; методы образования; искусственный интеллект.

Keywords: education; neural networks; neural networks; teacher; graphic design; educational methods; artificial intelligence.

Нейросети в образовании – это технология, которая позволяет автоматизировать и улучшить процесс обучения. Нейросети могут использоваться для создания персонализированных учебных материалов, оценки знаний студентов, анализа данных, а также для разработки новых методов обучения.

Одним из примеров использования нейросетей в образовании является создание персонализированных учебных планов. Такие планы могут быть созданы на основе анализа данных о предыдущем обучении студента, его интересах и уровне знаний. Это позволяет преподавателям создавать учебные планы более эффективными, которые учитывают индивидуальные потребности каждого студента.

Еще одним примером использования алгоритмов машинного обучения является оценка знаний студентов. С помощью нейросетей можно анализировать ответы студентов на тесты и задания, чтобы определить, какие знания они имеют и какие темы нуждаются в дополнительной проработке.

Нейросети могут быть использованы для анализа данных. Например, с помощью нейросетей можно проанализировать данные о посещаемости студентов, чтобы выявить причины низкой успеваемости и разработать программы для улучшения результатов.

Нейронные сети могут помочь в разработке новых методов обучения. Например, их можно использовать для создания интерактивных учебных материалов, которые помогают студентам лучше понимать материал и запоминать его.

А еще нейросети можно использоваться для автоматизации процесса проверки заданий и тестов, что экономит время преподавателей и студентов.

И если продолжать, то этот список возможностей будет весьма внушительным.

С одной стороны, недостатки использования нейронных сетей не заметны: это удобно как для студента, так и для преподавателя, эффективно, высвобождает много времени для научной и/или творческой составляющей детальности.

Нейронные сети меняют традиционные профессии и создают новые возможности в профессиональной сфере. Отказываться или запрещать обучающимся сегодня использовать нейросети в образовательном процессе не считается верным решением. Они все равно будут их использовать, только «в кулуарах» и, вероятно, неправильно. Лучше их научить работать с этими машинными алгоритмами, чтобы они могли быть конкурентно-интересными на рынке ИТ-профессий [3].

Да, сегодняшние студенты демонстрируют поверхностность суждений и слабую способность к системному восприятию информации, запоминают только нужную информацию, имеющую для них практическую значимость, но при этом они легко ориентируются в большом потоке информации и предпочитают использовать готовые решения [6]. Нейросети для поколения Z – это удобный и эффективный инструмент. И одна из задач современного образования - помочь обучающимся его освоить.

В российских образовательных учреждениях не используются нейронные сети на федеральном уровне официально, однако не присутствует и надзора за использованием данных сетей. Для внедрения нейронных сетей в обучении граждан необходимо создать платформу, которая будет предоставлять все необходимые данные, такие как:

1. Сбор данных: учебный университет может собирать данные о студентах, такие как оценки по предметам, посещаемость занятий, активность на учебном портале и другие показатели успеваемости;
2. Подготовка данных: данные о студентах могут быть подготовлены для обучения нейронной сети. Например, оценки могут быть преобразованы в числовые значения, а категориальные данные, такие как пол студента или факультет, могут быть закодированы;
3. Обучение модели: для анализа успеваемости студентов может быть создана нейронная сеть. Модель обучается на подготовленных данных, чтобы предсказывать успех студента на основе входных параметров;
4. Оценка модели: после обучения модели ее необходимо оценить на новых данных, чтобы определить ее эффективность в предсказании успеха студентов;
5. Применение результатов: полученные результаты могут быть использованы для выявления студентов, которым требуется дополнительная помощь или поддержка для улучшения образовательного процесса в университете.

Таким образом, применение нейросетей в образовательном учреждении при анализе успеваемости студентов позволяет улучшить качество образования, выявить проблемные моменты и повысить эффективность учебного процесса. Стоит учитывать, что уже существуют платформы, которые могут заменить преподавателя (та же платформа Knewton [7] заслуживает внимания).

Исходя из своего опыта, можем сказать, что результат использования нейросетей в образовании носит положительный характер (в большей степени). В частности, применяем графические нейросети Kandinsky, Шедеврум на курсе графического дизайна [4] и ChatGPT на курсе проектирования и разработки интерфейсов пользователя для подготовки специалистов по разработчике веб-приложений (специальность 09.02.07 Информационные системы и программирование).

Однако, стоит согласиться с тем, что использование нейронных сетей таит в себе существенные недостатки.

Согласно исследованиям профессора Умберто Леон Домингеса [1], использование нейросетей для большинства мыслительных задач может привести к потере у людей способности к самостоятельному решению когнитивных задач. Со временем у людей возникнут серьезные проблемы с нехваткой критического мышления и креативности, ведь они привыкнут позволять искусственному интеллекту выполнять всю умственную работу.

В своем интервью радио «Sputnik» нейропсихолог нейрологопедического центра «Выше радуги» Кубат Каниметов сравнил нейронную сеть с универсальным решебником, с помощью которого можно списать домашнее задание по математике или сочинение по русскому языку, проделать ту или иную работу без усилий, что превращается в медвежью услугу [2].

При этом Каниметов подчеркнул, что на взрослого человека искусственный интеллект оказывает не такое сильное воздействие. Более того, сами программисты, которые разрабатывают нейросети, постоянно развивают головной мозг, управляя работой программы и прописывая соответствующие алгоритмы. Но речь идет о тех, кто принимает непосредственнее участие в разработке – а те, кто используют нейросеть на регулярной основе для решения своих задач?

Стоит помнить и о том, что большинство вариантов проектирования искусственных нейронных сетей – эвристические, а значит, такие алгоритмы не дают единственно верных решений. Также требуется много времени и усилий для многоцикловой настройки элементов модели и их связей и последующего построения непосредственно модели [5].

Нейронная сеть – аппроксиматор, при настройке которого не вычисляется целевая функция, а осуществляется подбор функций, складывающихся и за счет этого дающих результат в виде набора значений, похожего на исходный. Вследствие этого, выходные данные нейросети, фактически, всегда будут с погрешностью, значение которой заранее не известно (но есть возможность её уменьшить до рационального уровня во время обучения).

Основной недостаток обучения искусственной нейронной сети в том, что она «запоминает» ответы, в то время, как человек выявляет закономерности.

Нейронная сеть не имеет способности запомнить опыт, полученный при обучении на нескольких задачах («катастрофическая забывчивость»). Однако, на сегодняшний день ведутся исследования по решению этой проблемы и достигаются значительные успехи.

Все вышесказанное можно резюмировать так: нейросети можно (и нужно, на наш взгляд) использовать и в образовательном процессе, и в других сферах деятельности человека, но в выверенных дозировках. Их применение в образовании может значительно улучшить качество обучения и повысить эффективность его процесса.

Список литературы:

1. León-Domínguez, U. (2024). Potential cognitive risks of generative transformer-based AI chatbots on higher order executive functions. Neuropsychology, 38(4), p. 293–308.
2. Интернет-портал «Российской газеты» [Электронный ресурс]. - Режим доступа: https://rg.ru/ (дата обращения: 25.06.2024).
3. Кетрова А.А., Стефановская Е.О. Применение нейронных сетей в образовательном процессе: возможности для улучшения качества подготовки специалистов // Научный форум: Инновационная наука: сб. ст. по материалам LXVII Междунар. науч.-практ. конф. — № 12(67). — М., Изд. «МЦНО», 2023.
4. Кетрова, А. А. Цифровая трансформация системы дополнительного образования: новые возможности / А. А. Кетрова // Развитие личности в образовательном пространстве: Материалы XXI-ой Всероссийской с международным участием научно-практической конференции, посвященной 200-летию со дня рождения К.Д. Ушинского и Году педагога и наставника, Бийск, 25 мая 2023 года. – Бийск: Алтайский государственный гуманитарно-педагогический университет имени В.М. Шукшина, 2023. – С. 485-488. – EDN SUJCBV.
5. Компания по разработке и продвижению веб-сайтов «bewave» [Электронный ресурс]. – Режим доступа: https://bewave.ru/ (дата обращения: 25.06.24).
6. Пестерева О.А. Особенности обучения поколения Z: проблемы и пути решения. - Улан-Удэ: Бурятский государственный университет имени Доржи Банзарова, 2023.
7. Платформа Knewton Enterprise [Электронный ресурс]. - Режим доступа: https://dev.knewton.com (дата обращения: 25.06.2024).