Зияткерлік репетиторлық жүйелердегі студенттердің өнімділігін болжау: әдістер, қиындықтар және болашақ перспектива

Student Performance Prediction in Intelligent Tutoring Systems: Methods, Challenges, and Future Perspectives

Аңдатпа

Интеллектуалды репетиторлық жүйелерде (ITS) болжамды модельдерді қолдану жекелендірілген оқытуды жақсартуға және тәуекел тобындағы студенттерді ерте анықтауға мүмкіндік беретін маңызды жетістіктерге қол жеткізді. Дегенмен, үлгінің жалпылануы, интерпретациялануы, деректер сапасы және әділдігімен байланысты қиындықтар сақталып, олардың әртүрлі білім беру орталарында кеңінен қолданылуын шектейді. Бұл шолу IEEE Xplore, Scopus, Science Direct, Google Scholar және SpringerLink сияқты дерекқорлардан алынған 2019 және 2024 жылдар аралығында жарияланған 58 зерттеудің нәтижелерін синтездейді. Әдебиеттерді таңдау «оқушылардың үлгерімін болжау» және «білімдегі AI» сияқты түйінді сөздерге негізделген. Әдістемелер, деректер жиыны және бағалау көрсеткіштері тақырыптық трендтерді анықтау және ITS үшін қиындықтар мен мүмкіндіктерді көрсету үшін санатталған. Нәтижелер гибридті модельдер (мысалы, CNN-LSTM, RLCHI), ансамбльді оқыту және мультимодальды деректерді біріктіру болжамдық өнімділікті айтарлықтай жақсартатынын көрсетеді. SHAP және LIME сияқты әдістер түсіндіру мүмкіндігін жақсартты, ал әлеуметтік-демографиялық және мінез-құлық деректерін қамтитын модельдер оқушылардың оқу үлгілері туралы жақсырақ түсінік береді. Осыған қарамастан, жалпылау және әділдік әртүрлі деректер жинақтарын және әділдікке негізделген модельдеу тәсілдерін талап ететін негізгі қиындықтар болып қала береді. ITS жекелендірілген оқытуда айтарлықтай жетістіктерге жеткенімен, модельдің жалпылануын, түсіндірмелілігін және әділдігін арттыру үшін қосымша күш салу қажет. Бұл міндеттерді шешу әртүрлі білім беру контексттерінде ITS әсерін барынша арттыра отырып, инклюзивті, бейімді және тең оқу орталарын дамытуда маңызды рөл атқарады.