Ինչպե՞ս է ԱԲ-ն կանխատեսում ուսանողների ակադեմիական առաջադիմությունը՝ հիմնվելով նրանց սոցիալական ցանցերի բաժանորդագրությունների վրա

Հայաստանի ՎՇՀ-ի, Սկոլտեխի և Թոմսկի պետական համալսարանի ռուս գիտնականները մշակել են նորարարական մեթոդ՝ ուսանողների ակադեմիական առաջադիմությունը կանխատեսելու համար՝ օգտագործելով արհեստական բանականություն: Վերլուծելով օգտատերերի բաժանորդագրությունները «ՎԿոնտակտե» սոցիալական ցանցում՝ հետազոտողները բարձր ճշտությամբ կարողացել են որոշել, թե որ ուսանողներն են ցուցաբերում գերազանց արդյունքներ, իսկ ովքեր բախվում են ուսման մեջ դժվարությունների: Հետազոտության արդյունքները հրապարակվել են IEEE Access ամսագրում:

Թվային հետքը՝ որպես հաջողության բանալի

Ժամանակակից մարդիկ ինտերնետում թողնում են ընդարձակ թվային հետք՝ հավանումներ, բաժանորդագրություններ, մեկնաբանություններ, երաժշտական նախասիրություններ և նույնիսկ հղումներով անցումներ: Այս տվյալները, որոնք հաճախ թերագնահատվում են, պարունակում են արժեքավոր տեղեկություններ անհատի և նրա հետաքրքրությունների մասին: Գիտնականներն օգտագործել են այս թվային հետքը՝ բացահայտելու օրինաչափություններ, որոնք կապում են առցանց ակտիվությունը ակադեմիական ձեռքբերումների հետ:

Հետազոտությանը մասնակցել է 4445 ուսանող՝ բաց «ՎԿոնտակտե» պրոֆիլներով: Բնական լեզվի մշակման (NLP) մեթոդների օգնությամբ հետազոտողները վերլուծել են այն համայնքների թեմատիկան, որոնց բաժանորդագրված են ուսանողները, այդ խմբերում տեքստերի բարդությունը և բովանդակության էմոցիոնալ երանգը: Այս տվյալների հիման վրա յուրաքանչյուր մասնակցի համար ստեղծվել է յուրահատուկ թվային պրոֆիլ, որն այնուհետև մշակվել է մեքենայական ուսուցման ալգորիթմներով:

Ի՞նչ է ցույց տվել հետազոտությունը

Մշակված AI ալգորիթմը բացահայտել է հստակ տարբերություններ տարբեր առաջադիմություն ունեցող ուսանողների միջև.

• Գերազանցիկները հաճախ բաժանորդագրված են գիտությանը, կրթությանը և նոր տեխնոլոգիաներին նվիրված համայնքներին: Նրանք կարդում են վերլուծական հոդվածներ, մասնակցում են քննարկումներին և նախընտրում են բարձր բարդության բովանդակություն: Նման խմբերն առանձնանում են տեղեկատվականությամբ և չեզոք կամ դրական էմոցիոնալ երանգով:
• Ցածր առաջադիմություն ունեցող ուսանողները հակված են ընտրելու ժամանցային համայնքներ, ինչպիսիք են մեմերով, հումորով, երաժշտությամբ կամ տեսախաղերով խմբերը: Այս բովանդակությունն ավելի քիչ տեղեկատվական է, հաճախ պարունակում է բացասական հույզեր և պահանջում է ավելի քիչ ճանաչողական ջանքեր:

Առաջադիմության կանխատեսման ճշտությունը կազմել է ավելի քան 80%, ինչը մեթոդը դարձնում է խոստումնալից կրթական պրակտիկայում կիրառելու համար:

Ինչպե՞ս է այն աշխատում

Վերլուծության գործընթացը ներառում է մի քանի փուլ.

1. Տվյալների հավաքագրում. Ուսանողների պրոֆիլներից հավաքվում են տվյալներ՝ հանրային համայնքներին բաժանորդագրությունների մասին:
2. Բովանդակության դասակարգում. NLP վերլուծության միջոցով որոշվում է խմբերի թեմատիկան (օրինակ՝ գիտություն, ժամանց, սպորտ), տեքստերի բարդությունը (լեքսիկայով և կառուցվածքով) և էմոցիոնալ երանգը (դրական, չեզոք, բացասական):
3. Պրոֆիլի ստեղծում. Յուրաքանչյուր ուսանողի համար ձևավորվում է թվային «դիմանկար», որն արտացոլում է նրա հետաքրքրություններն ու նախասիրությունները:
4. Կանխատեսում. Մեքենայական ուսուցման ալգորիթմը համեմատում է թվային պրոֆիլը ակադեմիական տվյալների հետ (գնահատականներ, հաճախելիություն)՝ բացահայտելով կապեր:

Օրինակ, ծրագրավորման և գիտական բացահայտումների մասին խմբերին բաժանորդագրված ուսանողն ավելի հավանական է, որ ցույց տա բարձր արդյունքներ, քան նա, ով կարդում է միայն մեմեր և դիտում տեսանյութեր:

Ներուժ և էթիկական հարցեր

Մեթոդը նոր հնարավորություններ է բացում կրթական հաստատությունների համար.

• Վաղ ախտորոշում. Բուհերը կարող են վաղ փուլերում բացահայտել ուսանողներին, ովքեր լրացուցիչ աջակցության կարիք ունեն:
• Կրթության անհատականացում. Հետաքրքրությունների վերլուծությունը թույլ է տալիս հարմարեցնել ուսումնական ծրագրերը՝ առաջարկելով ուսանողների նախասիրություններին համապատասխան նյութեր:
• Մոտիվացիա. Դասախոսները կարող են օգտագործել տվյալները՝ ուսանողներին գիտահետազոտական գործունեության մեջ ներգրավելու համար:

Այնուամենայնիվ, սոցիալական ցանցերի վերլուծության համար AI-ի օգտագործումը բարձրացնում է էթիկական հարցեր: Բաց պրոֆիլներից տվյալների հավաքագրումը կարող է ընկալվել որպես անձնական կյանքին միջամտություն, նույնիսկ եթե տեղեկատվությունը հանրային է: Գիտնականներն ընդգծում են, որ հետազոտությունում օգտագործվել են միայն անանունացված տվյալներ, և մասնակիցները տվել են իրենց համաձայնությունը: Այդուհանդերձ, մեթոդի լայնածավալ ներդրումը կպահանջի գաղտնիության պաշտպանության հստակ կանոններ:

Կիրառման հեռանկարներ

Հետազոտողները պլանավորում են ընդլայնել վերլուծությունը՝ ներառելով թվային հետքի այլ ասպեկտներ, ինչպիսիք են մեկնաբանությունները, հավանումները և երաժշտական նախասիրությունները: Սա կարող է բարձրացնել կանխատեսումների ճշտությունը: Նաև մեթոդը կարող է հարմարեցվել այլ սոցիալական ցանցերի համար, ինչպիսիք են Telegram-ը կամ Instagram-ը, թեև դրանց փակ կառուցվածքը բարդացնում է տվյալների հավաքագրումը:

Ապագայում նման ալգորիթմները կարող են կիրառվել ոչ միայն կրթության, այլև HR-ի, մարքեթինգի կամ հոգեբանության մեջ, որտեղ սոցիալական ցանցերում վարքագծի վերլուծությունը օգնում է կանխատեսել մասնագիտական հմտությունները կամ սպառողական նախասիրությունները: