ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ДЛЯ АНАЛИЗА И УПРАВЛЕНИЯ ДЕЯТЕЛЬНОСТЬЮ СТУДЕНТОВ В ОНЛАЙН-ОБУЧЕНИИ

Авторы

  • Нургуль Карымсакова ALT Университет имени Мухамеджана Тынышпаева
  • Даража Исабаева Казахский национальный университет имени аль-Фараби
  • Айнур Бажибаева al-Farabi Kazakh National University
  • Нургуль Курмангалиева Казахский национальный педагогический университет им. Абай, Алматы

Ключевые слова:

Онлайн-обучение, адаптивное управление, предиктивная аналитика, искусственный интеллект.

Аннотация

Вовлечённость студентов признана одним из главных предикторов академической успеваемости и удержания в вузе, однако большинство систем управления обучением (LMS) фиксируют её лишь как побочный продукт логирования кликов, а не как объект целенаправленного анализа и управления. В статье представлены концепция и результаты разработки интеллектуальной системы комплексного анализа и адаптивного управления вовлечённостью студентов в цифровой образовательной среде, поддерживающей гибридное (очно-заочное) обучение.

Сравнительный анализ пяти ведущих LMS-платформ — Moodle, Canvas, Blackboard, D2L и Google Classroom — по десяти критериям «умной платформы» выявил общее фундаментальное ограничение: ни одна из них не обладает целостной, ориентированной на вовлечённость, архитектурой на основе данных. Предлагаемая система объединяет ядро LMS с четырьмя интеллектуальными подсистемами: (1) модулем прогнозной аналитики на основе рекуррентных нейронных сетей (RNN/LSTM/GRU), преобразующим поведенческие признаки вовлечённости в ранние прогнозы академического риска; (2) подсистемой прокторинга на базе компьютерного зрения YOLOv8n, защищающей целостность данных о вовлечённости при оценивании; (3) ассистентом на основе технологии Retrieval-Augmented Generation (RAG), поддерживающим когнитивную вовлечённость посредством контекстно-обоснованной помощи по запросу; (4) механизмом Smart Hybrid Orchestration (SHO), адаптивно управляющим форматом обучения на основе прозрачного индекса готовности к гибридному обучению, учитывающего вовлечённость.

Экспериментальная проверка подтвердила практическую применимость каждого модуля: модели прогнозирования достигли точности до 90,38% при раннем выявлении риска снижения вовлечённости, система прокторинга — mAP@0.5 = 0,923, а RAG-ассистент — среднего показателя достоверности (Faithfulness) 0,88. Полученные результаты позволяют рассматривать предложенную архитектуру как научно обоснованную основу для комплексного анализа и адаптивного управления вовлечённостью студентов в высших учебных заведениях Казахстана.

Библиографические ссылки

Nkomo L.M., Daniel B.K., Butson R.J. Synthesis of student engagement with digital technologies: a systematic review of the literature // International Journal of Educational Technology in Higher Education. — 2021. — Т. 18, № 1. — Б. 34.

Bergdahl N., Bond M., Sjöberg J., Dougherty M., Oxley E. Unpacking student engagement in higher education learning analytics: a systematic review // International Journal of Educational Technology in Higher Education. — 2024. — Т. 21. — Б. 63.

Raes A. et al. A systematic literature review on synchronous hybrid learning: gaps identified // Learning, Culture and Social Interaction. — 2020. — Т. 27. — Б. 100437.

Қазақстан Республикасының 2023–2029 жылдарға арналған жоғары білім мен ғылымды дамыту тұжырымдамасы. — Нұр-Сұлтан: Қазақстан Республикасының Үкіметі, 2023.

Zhu Z.-T., Yu M.-H., Riezebos P. A research framework of smart education // Smart Learning Environments. — 2016. — Т. 3, № 1. — Б. 4.

Бахишева С.М. және т.б. Қазақстандағы жоғары білімнің цифрландырылуы: LMS жай-күйіне талдау // ҚазҰУ хабаршысы. — 2023.

Hevner A.R. et al. Design Science in Information Systems Research // MIS Quarterly. — 2004. — Т. 28, № 1. — Б. 75–105.

Kuzilek J., Hlosta M., Zdrahal Z. Open University Learning Analytics Dataset // Scientific Data. — 2017. — Т. 4. — Б. 170171.

Es S. et al. RAGAS: Automated Evaluation of Retrieval Augmented Generation // arXiv preprint arXiv:2309.15217. — 2023.

Ouyang F. et al. Integration of artificial intelligence performance prediction and learning analytics to improve student learning in online engineering course // International Journal of Educational Technology in Higher Education. — 2023. — Т. 20. — Б. 4.

du Plooy E., Casteleijn D., Franzsen D. Personalized adaptive learning in higher education: A scoping review of key characteristics and impact on academic performance and engagement // Heliyon. — 2024. — Т. 10, № 21. — Б. e39630.

Akber N. et al. Online Exam Proctoring System Using Machine Learning // IJSREM. — 2025. — Т. 09, № 03. — Б. 1–9.

Chen X., Xie H., Qin S.J., Wang F.L., Hou Y. Artificial Intelligence-Supported Student Engagement Research: Text Mining and Systematic Analysis // European Journal of Education. — 2025. — Т. 60. — e70008.

Опубликован

07.09.2026

Как цитировать

Карымсакова, Н. ., Исабаева, Д., Бажибаева, А. ., & Курмангалиева, Н. . (2026). ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ДЛЯ АНАЛИЗА И УПРАВЛЕНИЯ ДЕЯТЕЛЬНОСТЬЮ СТУДЕНТОВ В ОНЛАЙН-ОБУЧЕНИИ. Вестник КазАТК, 4(145). извлечено от https://vestnik.alt.edu.kz/index.php/journal/article/view/3736

Выпуск

Раздел

Автоматизация, телемеханика, связь, компьютерные науки

Категории


Цели в области устойчивого развития:

Наиболее читаемые статьи этого автора (авторов)

1 2 3 > >>