Анализ влияния использования нейронных сетей на развитие критического мышления и технических навыков студентов при изучении математики

Екатерина Александровна Ветренко

DATA SCIENCE В УПРАВЛЕНИИ ОБРАЗОВАТЕЛЬНЫМ ПРОСТРАНСТВОМ

Анализ влияния использования нейронных сетей на развитие критического мышления и технических навыков студентов при изучении математики

Авторы

Екатерина Александровна Ветренко Российский технологический университет МИРЭА

Как цитировать

ГОСТ Ветренко Е. А. Анализ влияния использования нейронных сетей на развитие критического мышления и технических навыков студентов при изучении математики // Управление образованием: теория и практика. 2024. Т. 14. № 10-2. С. 143-150.

APA Ветренко, Е. А. (2024). Анализ влияния использования нейронных сетей на развитие критического мышления и технических навыков студентов при изучении математики. Управление образованием: теория и практика, 14(10-2), 143-150.

Аннотация

Настоящее исследование посвящено анализу влияния использования нейронных сетей на развитие критического мышления и технических навыков студентов при изучении математики. Целью работы является выявление потенциала нейросетевых технологий в совершенствовании образовательного процесса и формировании ключевых компетенций обучающихся. В рамках исследования применялись методы статистического анализа, анкетирования, тестирования, а также сравнительный анализ результатов учебной деятельности. Эмпирическую базу составили данные опроса 120 студентов математических специальностей и результаты их успеваемости за период с 2020 по 2023 год. Установлено, что применение нейронных сетей способствует повышению уровня критического мышления студентов на 18% (p<0,01), а также приросту их технических навыков на 23% (p<0,01) по сравнению с контрольной группой. Выявлена положительная корреляция между интенсивностью использования нейросетевых инструментов и академическими достижениями обучающихся (r=0,68; p<0,01). Полученные результаты свидетельствуют о значительном дидактическом потенциале нейронных сетей и открывают перспективы для их более широкого внедрения в образовательную практику. Дальнейшие исследования целесообразно направить на разработку специализированных нейросетевых моделей, адаптированных к специфике математического образования.

Ключевые слова

нейронные сети критическое мышление технические навыки математическое образование компетенции студентов дидактический потенциал образовательные инновации

Финансирование

Авторы не заявили о внешнем финансировании исследования.

Библиографические ссылки

Baker R.S., Inventado P.S. Educational data mining and learning analytics // Learning analytics. NY: Springer, 2014. pp. 61-75.

Bonk C.J., Graham C.R. The handbook of blended learning: Global perspectives, local designs. Hoboken: John Wiley & Sons, 2012. 624 p.

Cope B., Kalantzis M. Assessment and pedagogy in the era of machine-mediated learning // Education as social construction: contributions to theory, research, and practice. 2015. pp. 350-374.

Dede C. The role of digital technologies in deeper learning. Students at the Сenter: deeper learning research series. Boston: Jobs for the future, 2014. 36 р.

Fischer C., Pardos Z.A., Baker R.S., Williams J.J., Smyth P., Yu R., Warschauer M. Mining big data in education: Affordances and challenges // Review of research in education. 2020. № 44(1). pp. 130-160.

Glaser R. Education and thinking: The role of knowledge // American psychologist. 1984. № 39(2). рp. 93-104.

Hodges C.B., Moore S., Lockee B.B., Trust T., Bond M.A. The difference between emergency remote teaching and online learning // Educause review. 2020. № 27. pp. 1-12.

Jonassen D.H. Learning to solve problems: а handbook for designing problem-solving learning environments. L: Routledge, 2010. 466 р.

Kirschner P.A., Sweller J., Clark R.E. Why minimal guidance during instruction does not work: An analysis of the failure of constructivist, discovery, problem-based, experiential, and inquiry-based teaching // Educational psychologist. 2006. № 41(2). pp. 75-86.

Kulik J.A., Fletcher J.D. Effectiveness of intelligent tutoring systems: A meta-analytic review // Review of educational research. 2016. № 86(1). pp. 42-78.

Roll I., Wylie R. Evolution and revolution in artificial intelligence in education // International journal of artificial intelligence in education. 2016. № 26(2). pp. 582-599.

Siemens G. Connectivism: A learning theory for the digital age // International journal of instructional technology and distance learning. 2005. № 2(1).

Spector J.M., Ifenthaler D., Sampson D., Yang L.J., Mukama E., Warusavitarana A., Gibson D.C. Technology enhanced formative assessment for 21st century learning // Educational technology & society. 2016. № 19(3). pp. 58-71.

VanLehn K. The relative effectiveness of human tutoring, intelligent tutoring systems and other tutoring systems // Educational рsychologist. 2011. № 46(4). pp. 197-221.

Zawacki-Richter O., Latchem C. Exploring four decades of research in computers & education // Computers & еducation. 2018. № 122. pp. 136-152.