ПРИМЕНЕНИЕ МЕТОДА K-СРЕДНИХ ДЛЯ КАТЕГОРИЗАЦИИ ОБУЧАЮЩИХСЯ В АДАПТИВНОЙ ПЕДАГОГИЧЕСКОЙ МОДЕЛИ ПОДГОТОВКИ ПРОГРАММИСТОВ МУЛЬТИМЕДИЙНЫХ РЕСУРСОВ
DOI:
https://doi.org/10.65164/6gdf7j11Keywords:
адаптивное обучение, кластеризация, метод K-средних, машинное обучение в образовании, программирование мультимедийных ресурсов, индивидуализация обучения, образовательная аналитика, категоризация обучающихся, педагогическая модель, неконтролируемое обучениеAbstract
В статье рассматривается проблема индивидуализации подготовки программистов мультимедийных ресурсов в условиях цифровизации профессионального образования. Авторы обосновывают необходимость перехода от традиционной фронтальной модели обучения к адаптивным образовательным траекториям, учитывающим гетерогенность аудитории по комплексу когнитивных, мотивационных и метакогнитивных характеристик. Предложена адаптивная педагогическая модель, интегрирующая метод неконтролируемого машинного обучения K-средних (K-means) для категоризации обучающихся. Описаны входные параметры кластеризации (уровень базовых знаний, темп усвоения материала, мотивационный профиль, результаты тестирования, уровень саморегуляции), этапы алгоритма и программная реализация с использованием Python и библиотеки scikit-learn. На основании эмпирических данных выборки из 187 студентов выделены четыре содержательные категории обучающихся: «Продвинутые самостоятельные», «Требующие базовой поддержки», «Быстрообучающиеся с неравномерной базой», «Мотивированные методичные». Для каждой категории разработаны специфические параметры адаптации учебного контента. Показано, что применение предложенной модели способствует повышению среднего балла итоговой аттестации на 14,2%, снижению академической отсеваемости и росту удовлетворённости обучающихся. Обсуждаются преимущества и ограничения метода K-средних в педагогическом контексте, формулируются перспективы дальнейших исследований в области объяснимого искусственного интеллекта и динамической кластеризации.
References
1.
Зайцев А.В., Калинин И.А. Цифровая трансформация образования: технологии, вызовы, перспективы. // Педагогическое образование в России. — 2023. — № 4. — С. 15–24.
2.
Ziyoviddinovna M. Z., Irgashevna S. N. Adaptiv o ‘quv tizimlarida sun’iy intellektning roli: personalizatsiya va natijalar //Eurasian Journal of Academic Research. – 2024. – Т. 4. – №. 12 (Special issue 2). – С. 44-48.
3.
Bekmuratovna T. G. Artificial intelligence in Education //Eurasian Journal of Academic Research. – 2024. – Т. 4. – №. 7S. – С. 1133-1136.
22.
Sodikova N. I. Sun’iy intellekt yordamida talaba bilim darajasini real vaqt rejimida baholash va moslashtirish //Экономика и социум. – 2026. – №. 2-2 (141). – С. 341-348.
4.
Семенов А.Л., Рудченко Т.А. Проблемы персонализации обучения в условиях массовых цифровых образовательных сред. // Вестник Московского университета. Серия 19. Лингвистика и межкультурная коммуникация. — 2022. — № 2. — С. 89–102.
5.
Irgashevna S. N. et al. Raqamli transformatsiya sharoitida sun’iy intellekt texnologiyalariga asoslangan pedagogik modellardan foydalanish //Научный Фокус. – 2026. – Т. 3. – №. 34. – С. 73-78.
6.
Романов А.Н., Васильева М.В. Машинное обучение в образовательной аналитике: обзор методов и приложений. // Информатика и образование. — 2023. — № 6. — С. 3–12.
7.
Irgashevna, S. N., & Ikromjon o‘g, G. U. X. (2026). Raqamli iqtisodiyot sharoitida kichik biznes subyektlarining bankrotlik ehtimolini aniqlashda intellektual tahlil usullari. Научный Фокус, 3(34), 62-66.
8.
Jain A.K. Data clustering: 50 years beyond K-means. // Pattern Recognition Letters. — 2010. — Vol. 31, № 8. — P. 651–666.
9.
Irgashevna S. N., Ravshanovich I. A., Zokirjon o‘g‘li Z. O. Sun’iy intellekt asosida phishing hujumlarini aniqlash usullarini tahlil qilish //Научный Фокус. – 2026. – Т. 3. – №. 34. – С. 67-72.
10.
Хрусталёва А.Ю. Субъективность преподавательской оценки как фактор неравенства в образовании. // Вопросы образования. — 2021. — № 3. — С. 118–135.
11.
Борисов В.В., Федотов И.В. Алгоритмы кластеризации в задачах интеллектуального анализа данных: сравнительный анализ. // Программные продукты и системы. — 2022. — № 2. — С. 45–58.
12.
Gunning D. et al. XAI — Explainable artificial intelligence. // Science Robotics. — 2019. — Vol. 4, № 37. — P. 1–4.
