Критерий освоения кластерного окна терминов в адаптивно-обучающих системах

В работе предложен критерий освоения кластерного окна терминов в адаптивно-обучающей системе. За основу исследования взята адаптивно-обучающая методика Л.А. Растригина. Рассмотрено ее применение в комплексе с частотным словарем терминов. Критерий освоения кластерного окна терминов вычисляется как взвешенная сумма вероятностей незнания терминов, нормированная на сумму их весов. Данный критерий позволяет регулировать выдачу к обучению кластерных терминов, обеспечивая их приоритетный показ при обучении по адаптивно-обучающей методике. Также модифицирован основной критерий качества обучения, для него введено пороговое значение, изменение которого меняет поведение системы в процессе тестирования ученика. Таким образом, до достижения порогового значения выдача терминов происходит из кластерного окна, после – осуществляется в соответствии с классическим критерием качества обучения. Тестирование обучаемого смоделировано на выборке из 210 терминов частотного словаря по системному анализу продолжительностью 100 сеансов. Осуществлен анализ работы модифицированной адаптивно-обучающей системы. Произведено сравнение предложенного критерия качества обучения с используемым ранее. Для кластерных (целевых) терминов было выявлено снижение вероятностей незнания и увеличение частоты их появления при тестировании на разработанном алгоритме. Что является хорошим показателем достижения целей, поставленных в ходе исследования.

1. Ковалев И.В., Карасева М.В., Суздалева Е.А. Системные аспекты организации и применения мультилингвистической адаптивно-обучающей технологии. Образовательные технологии и общество. 2002;5(2):198–212.

2. Джумагалиева А.М., Рыстыгулова В.Б., Омаркулова Г.Ш., Омаржанова Г.К. Интеллектуальные адаптивные образовательные технологии на основе Big Data и машинного обучения. In the World of Science and Education. 2025;150–153.

3. Полянский К.В., Ковалев И.В. Персонализация адаптивно-обучающей методики Л.А. Растригина на базе частотного словаря с использованием кластерного анализа корпусов текстов. В сборнике: Наука, технологии, общество: экологический инжиниринг в интересах устойчивого развития территорий (НТО-V-2024): Материалы V Всероссийской (национальной) научной конференции, 07–08 ноября 2024 года, Красноярск, Россия. Красноярск: Красноярский краевой Дом науки и техники Российского союза научных и инженерных общественных объединений; 2024. С. 223–234.

4. Авдеенко Т.В., Мезенцев Ю.А. Кластеризация документов на основе семантической матрицы связей для концептуального индексирования. Вычислительные технологии. 2020;25(3):99–110. https://doi.org/10.25743/ICT.2020.25.3.011

5. Боярский К.К., Арчакова Н.А., Каневский Е.А. Извлечение низкочастотных терминов из специализированных текстов. В сборнике: Аналитика и управление данными в областях с интенсивным использованием данных: XVIII международная конференция, 11–14 октября 2016 года, Ершово, Московская область, Россия. Москва: Федеральный исследовательский центр «Информатика и управление» Российской академии наук; 2016. С. 211–216.

6. Polyansky K., Kovalev I. Comparison of Cluster and Classical Approaches to Issuing Training Information in Adaptive Learning Systems. In: ITM Web of Conferences (HMMOCS-III 2024): III International Workshop on "Hybrid Methods of Modeling and Optimization in Complex Systems" (HMMOCS-III 2024): Volume 72, 02–04 December 2024, Krasnoyarsk, Russia. Krasnoyarsk: EDP Sciences, Les Ulis; 2025. https://doi.org/10.1051/itmconf/20257204010

7. Лесков В.О. Формирование лексически связанных компонентов информационно-терминологического базиса. Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. 2009;(2):133–136.

8. Яцко В.А. Имметричное взвешивание терминов. Символ науки. 2015;(12–1):87–89.

9. Хохлова М.В. Статистические методы в лексикографических исследованиях: представление частотной лексики. Terra Linguistica. 2023;14(3):80–93. https://doi.org/10.18721/JHSS.14307

10. Топчиев А.В., Чулюков В.А. Модели адаптивного обучения в компьютерных системах. Современные наукоемкие технологии. 2010;(5):62–68.

11. Иламанов Б.Б., Мередов О.А. Введение в теорию множеств и их математическое значение. Вестник науки. 2023;3(9):278–284.

12. Gravel N., Marchant T. Rank Dependent Weighted Average Utility Models for Decision Making Under Ignorance or Objective Ambiguity. [Preprint]. SSRN. URL: https://ssrn.com/abstract=4900187 [Accessed 13th July 2025].

13. Базилевский М.П. Обобщение неэлементарных линейных регрессий. Моделирование и анализ данных. 2023;13(2):85–98. https://doi.org/10.17759/mda.2023130205

14. Батура Т.В. Методы автоматической классификации текстов. Программные продукты и системы. 2017;(1):85–99.

15. Пархоменко П.А., Григорьев А.А., Астраханцев Н.А. Обзор и экспериментальное сравнение методов кластеризации текстов. Труды Института системного программирования РАН. 2017;29(2):161–200. https://doi.org/10.15514/ISPRAS-2017-29(2)-6