Применение систем искусственного интеллекта для оценки предпринимательских компетенций

https://doi.org/10.20339/AM.09-18.082

Н.И. Ломакин,

канд. экон. наук, доц.

Волгоградский государственный технический университет

e-mail: tel9033176642@yahoo.com

Е.А. Козлова,

директор

МОУ «Школа–гимназия № 37», город Волжский

e-mail: kyanos@yandex.ru

Г.И Лукьянов,

д-р филос. наук, проф.

Волжский политехнический институт (филиал)

Волгоградского государственного технического университета

e-mail: valeriyvolchenko@mail.ru

Исследуются вопросы применения систем искусственного интеллекта в учебном процессе в высшей школе. Выдвинута и доказана гипотеза, что, используя нейросетевую модель персептрон, можно успешно провести оценку компетенций студентов по дисциплине «Организация предпринимательской деятельности». Для получения комплексной оценки компетентности студента потребовалось формирование системы оценки соответствующей компетенции с учетом уровня знаний по конкретным темам, что потребовало разработки соответствующих контрольно-оценочных средств и технологий.

Ключевые слова: высшее образование, нейросеть, обучение студентов, оценка компетентности, персептрон, индивидуализация обучения.

Литература

1. Хисматулина З.Н. Эволюция стандартов высшего образования: от ориентации на знания, умения и навыки к оценке компетенций. URL: https://cyberleninka.ru/article/n/evolyutsiya-standartov-vysshego-obrazovaniya-ot-orientatsii-na-znaniya-umeniya-i-navyki-k-otsenke-kompetentsiy
2.  Аванский С.М., Щербакова С.В. Построение интеллектуальной компьютерной обучающей системы с применением нейронных сетей. URL: https://cyberleninka.ru/article/n/postroenie-intellektualnoy-kompyuternoy-obuchayuschey-sistemy-s-primeneniem-neyronnyh-setey
3. Козлов А.Н., Козлова О.В. Оценка качества образования с использованием нейронных сетей. URL: https://cyberleninka.ru/article/n/otsenka-kachestva-obrazovaniya-s-ispolzovaniem-neyronnyh-setey
4. Махныткина О.В. Решение задач оценки компетентности студента с использованием интеллектуального анализа данных // Бизнес-аналитика. Использование аналитической платформы Deductor в учебном процессе вуза. М., 2011. С. 67–74.
5. Жуйков В.В. Система оценки качества знаний студентов на основе нейронных сетей. Курск, 2009.
6.  Пятковский О.И. Разработка гибридной интеллектуальной системы с нечетко-нейросетевыми компонентами для решения задачи оценки компетентности студентов. URL: http://elib.altstu.ru/elib/books/Files/pa2012_2/pdf/120guner.pdf
7.  Нейронная сеть оценки компетентности студентов по дисциплине «Организация предпринимательской деятельности» по направлению 38.04.01 «Экономика фирмы и отраслевых рынков». Волгоград, 2017.
8.  Ломакин Н.И., Лукьянов Г.И., Плаксунова Т.А. Нейронная сеть оценки компетентности студентов по дисциплине «Организация предпринимательской деятельности» по направлению 38.04.01 «Экономика фирмы и отраслевых рынков». Саратов, 2017. C. 575–589.
9. Шептунов С.А., Соломенцев Ю.М., Кабак И.С. и др. Нейросетевая модель формирования развития личности ребенка в процессе его обучения в средней школе // Известия высших учебных заведений. 2014. № 4 (32). С. 41–52.
10. Цифровая экономика и финансовые технологии: проблемы и перспективы. URL: https://vk.com/ibispb
11. Omarbekova A., Zakirova A., Abduraimova B., Duzelbayev S. Automated generation of test questions from knowledge-base // Journal of Engineering and Applied Sciences. 2017. № 18. С. 4693–4696.
12. Gorbachev S., Syryamkin M., Syryamkin V., Vaganova E. Cognitive neural network foresight to forecast scientific and technological development of the state // Social and Behavioral Sciences. 2015. Т. 206. С. 378–382.

Авторы благодарят Т.А. Плаксунову, Е.В. Логинову (Волжский гуманитарный институт (филиал) Волгоградского государственного университета), Е.А. Скобору, А.Е. Одинцова, Э.В. Карась, Л.А. Чернописскую, С.В. Корочинскую (СОШ № 37, г. Волжский) за оказанную помощь в проведении исследования.