КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ПОДГОТОВКИ СТУДЕНТОВ ТЕХНИЧЕСКИХ СПЕЦИАЛЬНОСТЕЙ К ПРИМЕНЕНИЮ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ
DOI:
https://doi.org/10.52754/16948610_2026_1_10Ключевые слова:
машинное обучение, искусственный интеллект, технические специальности, концептуальная модель, образовательные технологииАннотация
Актуальность. В статье представлена концептуальная модель подготовки студентов технических специальностей к применению технологий машинного обучения в профессиональной деятельности. Модель основана на синтезе системного, компетентностного и деятельностного подходов и включает целевой, содержательный, процессуальный и результативно-оценочный компоненты. Процессуальный компонент сочетает интерактивные лекции, лабораторные работы и проектную деятельность. Результативно-оценочный компонент формирует многоуровневую систему оценивания, включающую когнитивные, практические и рефлексивные критерии. Пилотный эксперимент, проведенный на кафедре информационных систем и программирования Ошского государственного университета со студентами специальности 710100 «Информатика и вычислительная техника» в рамках дисциплины «Программирование» (56 студента), подтвердил эффективность модели. Студенты экспериментальной группы значительно повысили теоретические знания (82,4%), практические навыки (85,7%) и мотивацию (89%).
Библиографические ссылки
Амиров, Р.А., Билалова, У.М. (2020). Перспективы внедрения технологий искусственного интеллекта в сфере высшего образования. Управленческое консультирование, 3,80-88. https://doi.org/10.22394/1726-1139-2020-3-80-88
Аркабаев, Н. (2025). Интеграция элементов соревновательных игровых программ на уроках информатики. Вестник Ошского государственного университета, 3, 114–125. https://doi.org/10.52754/16948610_2025_3_0_8
Аркабаев, Н. К. & Мурзакматова, З. Ж. (2024). Применение искусственного интеллекта для измерению успеваемости учащихся. Вестник Иссык-Кульского университета, 56, 98-108. https://doi.org/10.69722/1694-8211-2024-56-98-108
Аркабаев, Н., Назарбек кызы, Т., Орозбаева, А. (2024). Использование иллюстрированных самоучителей и их роль в современных цифровых технологиях. Вестник Ошского государственного университета, 3, 96–106. https://doi.org/10.52754/16948610_2024_3_9
Асанова, Ж.С., Касумов, В.А. & Жакиш, А.Н. (2023). Перспективы внедрения технологий искусственного интеллекта для построения смарт-учебной среды в сфере высшего образования. Ученые записки, 2, 52-59. http://doi.org/10.61413/Bayu7883
Власенко, А.В., Антонов, А.А. & Жук, Р.В. (2020). Обзор инструментов машинного обучения и их применения в области кибербезопасности. Известия вузов. Технические науки, 4, 144-155. http://doi.org/10.21672/2074-1707.2020.49.4.144-155
Ручай, А.Н., Токарев, И.В. & Грибачев, А.С. (2022). Методы и системы искусственного интеллекта в кибербезопасности. Вестник УрФО, 4(46), 76-85. http://doi.org/10.14529/secur220409
Созыкин, А.В. (2017). Обзор методов обучения глубоких нейронных сетей. Вестник ЮУрГУ, Серия: Вычислительная математика и информатика, 6(3), 28-59. http://doi.org/10.14529/cmse170303
Albreiki, B., Zaki, N., & Alashwal, H. (2021). A Systematic Literature Review of Student’ Performance Prediction Using Machine Learning Techniques. Education Sciences, 11(9), 552. https://doi.org/10.3390/educsci11090552
Alonso-Fernández, C., Calvo-Morata, A., Freire, M., Martínez-Ortiz, I., & Fernández-Manjón, B. (2019). Applications of data science to game learning analytics data: A systematic literature review. Computers & Education, 141, 103612. https://doi.org/10.1016/j.compedu.2019.103612
Alshammary, F., & Alhalafawy, W. (2023). Digital Platforms and the Improvement of Learning Outcomes: Evidence Extracted from Meta-Analysis. Sustainability. https://doi.org/10.3390/su15021305.
Arkabaev, N., Murzakmatova, Z., Abdugulova, G., Kuduev, A. & Shakirov, K. (2025). Gamification of the Google Classroom Educational Platform as a Tool for Developing Students Teamwork Skills. Qubahan Academic Journal, 5(4), 1–34. https://doi.org/10.48161/qaj.v5n4a1784
Gašević, D., Dawson, S., Rogers, T., & Gasevic, D. (2016). Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success. The Internet and Higher Education, 28, 68–84. https://doi.org/10.1016/j.iheduc.2015.10.002
Hashim, A., Akeel, W., & Khalaf, A. (2020). Student performance prediction model based on supervised machine learning algorithms. IOP Conference Series: Materials Science and Engineering, 928(3), 032019. https://doi.org/10.1088/1757-899X/928/3/032019
Shurygin, V., Berestova, A., Litvinova, T., Kolpak, E., & Nureyevà, A. (2021). Universal Models and Platforms in E-Learning. Int. J. Emerg. Technol. Learn., 16. https://doi.org/10.3991/ijet.v16i09.19697
Zhang, J., Gao, M., & Zhang, J. (2021). The learning behaviours of dropouts in MOOCs: A collective attention network perspective. Computers & Education, 167, Article 104189. https://doi.org/10.1016/j.compedu.2021.104189
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Нуркасым Аркабаев
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
