Определение образовательного потенциала учащегося

В распоряжении школы имеются большие базы данных об учениках и их родителях. Сотрудники образовательного учреждения анализируют информацию о семьях учащихся, об условиях, в которых живет и воспитывается ребенок, внимательно изучают данные психолого-педагогических мониторингов, чтобы спрогнозировать уровень усвоения ребенком учебной информации.

Необходимо создать условия для воспитания, становления и формирования личности обучающегося, для развития его склонностей, интересов и способности к социальному самоопределению. В современной школе образование должно способствовать всестороннему развитию каждого ребенка. В силу своих индивидуальных психофизических особенностей, каждый ребенок нуждается в дифференцированном подходе в обучении.

А для достижения наилучших результатов необходим такой инструмент, как прогнозирование успешности обучения. Современные исследования в данной области показали эффективность данного метода. Так, согласно исследованиям кандидата психологических наук
Н.Е. Подгайского, если педагогам и родителям предоставлялась информация о развитии ребенка и прогноз его будущей успеваемости, то реальная успеваемость была выше.

Для прогнозирования успешности учеников ученым были взяты следующие критерии: визуальное линейное мышление, визуальное структурное мышление, работоспособность, социальное положение матери, образование матери, жилищные условия, тяготение к отцу, потребность в общении, креативность, практичность. В результате проведенных исследований, Н.Е.  Подгайский объединил детей в группы по схожим признакам.

Данная технология способна существенно сократить время психологических и социальных исследований. Машинное обучение – это инструмент для решения множества подобных вычислительных задач. В его основе лежат методы математической статистики, численных методов, теории вероятности, теории графов и других математических дисциплин, которые позволяют анализировать большие объёмы данных и создавать математические модели базирующиеся на них.

На основе машинного обучения можно разработать прогнозирующую модель. Для обучения соответствующей модели специалисту необходим развёрнутый набор данных. Набор данных состоит из множества независимых признаков объектов и искомых целевых признаков. Между представленными признаками и искомой величиной существует некоторая зависимость, характеристики которой неизвестны.

На основе этих данных алгоритмы машинного обучения способны установить неявные связи и построить модель, которая предскажет искомую величину исходя из его характеристик. Данный раздел машинного обучения можно отнести к категории «обучение с учителем».

На данный момент для решения подобных задач используются методы решающего древа, случайного леса, линейной регрессии, градиентного бустинга и другие алгоритмы. Градиентный бустинг основан на итеративном алгоритме поиска минимума функции потерь с последовательным построением набора моделей через улучшение предсказаний.