Published Date: 01.01.2023
Трудоустройство выпускников педагогических профилей на основе технологий искусственного интеллекта и анализа данных
Annotation
В статье представлена программа прогнозирования трудоустройства выпускников на основе технологий искусственного интеллекта и выявлены основные категории признаков, достоверно влияющих на траекторию их профессиональной занятости после окончания педагогического института. При реализации экспериментальной работы использовано прогнозное интеллектуальное моделирование, которое на основании выявления, понимания и обработки больших данных алгоритмами машинного обучения позволяет спрогнозировать будущие события и в дальнейшем осуществлять поддержку принятия психолого-педагогических решений.
| Type | Article |
| Information | WORLD OF EDUCATION — EDUCATION AROUND THE WORLD № 01/2023 |
| Pages | 165-176 |
| UDK | 378.141 |
| DOI | 10.51944/20738536_2023_1_165 |
Library
1. Hussain S. Prediction Model on Student Performance based on Internal Assessment using Deep Learning / S. Hussain // International Journal of Emerging Technologies in Learning. — 2019. — No. 14 (8). — P. 4–22.
2. Yu J. Academic Performance Prediction Method of Online Education using Random Forest Algorithm and Artificial Intelligence Methods / J. Yu // International Journal of Emerging Technologies in Learning. — 2021. — No. 16 (5). — P. 45–57.
3. Wang J. Visualization Analysis of Artificial Intelligence Technology in Higher Education Based on SSCI and SCI Journals from 2009 to 2019 / J. Wang, Q. Zhan // International Journal of Emerging Technologies in Learning. — 2021. — No. 16 (8). — P. 20–3
4. Оrange. Data Mining Fruitful and Fun [Electronic resource]. — Access mode: <a href="https://" target="_blank">https://</a> orangedatamining.com/download/#windows (date of the application: 25.02.2023).
5. Sukhbaatar O. An Artificial Neural Network Based Early Prediction of Failure-Prone Students in Blended Learning Course / O. Sukhbaatar, T. Usagawa // International Journal of Emerging Technologies in Learning. — 2019. — No. 14 (19). — P. 77–92.
6. Renz A. Demystification of Artificial Intelligence in Education — How much AI is really in the Educational Technology? / A. Renz, S. Krishnaraja, E. Gronau // International Journal of Learning Analytics and Artificial Intelligence for Education. — 202
7. Rajak A. Vidushi Applying and comparing machine learning classification algorithms for predicting the results of students / A. Rajak, A. K. Shrivastava // Journal of Discrete Mathematical Sciences and Cryptography. — 2020. — No. 23 (2). — P. 419–427.
8. Qureshi M. I. Digital Technologies in Education 4.0. Does it Enhance the Effectiveness of Learning? A Systematic Literature Review / M. I. Qureshi, N. Khan, H. Raza et al. // International Journal of Interactive Mobile Technologies. — 2021. — No. 15 (
9. Ma J. Intelligent Decision System of Higher Educational Resource Data Under Artificial Intelligence Technology / J. Ma // International Journal of Emerging Technologies in Learning. — 2021. — No. 16 (5). — P. 130–146.
10. Khan I. A. Conceptual Framework to Aid Attribute Selection in Machine Learning Student Performance Prediction Models / I. Khan, A. R. Ahmad, N. Jabeur, M. N. Mahdi // International Journal of Interactive Mobile Technologies. — 2021. — No. 15 (15). — P
11. Ifenthaler D. Reflections on Different Learning Analytics Indicators for Supporting Study Success / D. Ifenthaler, J. Y. Yau // International Journal of Learning Analytics and Artificial Intelligence for Education. — 2020. — No. 2 (2). — P. 4–23.
12. Духанина Л. Н. Проблемы имплементации искусственного интеллекта в сфере образования / Л. Н. Духанина, А. А. Максименко // Перспективы науки и образования. — 2020. — № 4 (46). — С. 23–35.
13. Hu J. Teaching Evaluation System by use of Machine Learning and Artificial Intelligence Methods / J. Hu // International Journal of Emerging Technologies in Learning. — 2021. — No. 16 (5). — P. 87–101.
14. Cope B. Artificial intelligence for education: Knowledge and its assessment in AI-enabled learning ecologies / B. Cope, M. Kalantzis, D. Searsmith // Educational Philosophy and Theory. — 2021. — No. 53 (12). — P. 1229–1245.
15. Chen Y. Intelligent Design Based Neural Network Model for Measuring Analysis of the College Teachers’ Teaching Ability / Y. Chen // International Journal of Emerging Technologies in Learning. — 2020. — No. 15 (15). — P. 176–187.
16. Чулюков В. А. Искусственный интеллект и будущее образования / В. А. Чулюков, В. М. Дубов // Современное педагогическое образование. — 2020. — № 3. — C. 27–31.
17. Русаков С. В. Методы искусственного интеллекта в задаче прогнозирования группы риска студентов / С. В. Русаков, О. Л. Русакова, Н. Н. Накорякова, Е. С. Чингаева // Новые информационные технологии в образовании и науке. — 2020. — № 3. — С. 92–95.
18. Наговицын Р. С. Искусственный интеллект по обработке данных абитуриентов для прогнозирования их дальнейшего трудоустройства после обучения / Р. С. Наговицын // В сб. : Региональные вузы — драйверы пространственного развития России : матер. Всерос. с ме
19. Наговицын Р. С. Прогнозирование соревновательной результативности юных спортсменов на основе технологии искусственного интеллекта / Р. С. Наговицын, И. Г. Гибадуллин, О. Н. Бацина, И. А. Мокрушина // Теория и практика физической культуры. — 2023. — № 2
20. Каспржак А. Г. Институциональные тупики российской системы подготовки учителей / А. Г. Каспржак // Вопросы образования. — 2013. — № 4. — С. 261–282.
21. Елшанский С. П. Школа будущего: может ли искусственный интеллект обеспечить когнитивную эффективность обучения? / С. П. Елшанский // Вестник Томского государственного университета. — 2021. — № 462. — С. 192–201.
The full version of the article is available only to subscribers of the journal