Оценка факторов, влияющих на эффективность преподавания в колледжах и университетах, с использованием нечеткой логики и методов глубокого обучения

Почему важны более точные измерения преподавания

Тот, кто сидел и на вдохновляющих, и на не очень удачных занятиях, знает: качество преподавания может сделать или разрушить студенческий опыт. Тем не менее большинство университетов по-прежнему полагается на грубые инструменты — результаты тестов и итоговые опросы — чтобы судить, что работает. В этой статье рассматривается более продуманный способ измерения качества преподавания в вузах, который сочетает два компьютерных подхода: один хорошо работает с размытыми, человеческими данными, другой умеет выявлять скрытые закономерности. В тандеме они дают более надежные ориентиры для улучшения курсов и поддержки студентов.

Переосмысление критериев «хорошего занятия»

Преподавание в вузе формируется под влиянием множества факторов: сколько студентов в группе, насколько опытен преподаватель, насколько сложный курс, атмосфера в аудитории и использование технологий, и это лишь некоторые примеры. Традиционные системы оценки часто сводят всё это к одной оценке по тесту или числовому рейтингу курса. Такое упрощение теряет важный контекст и игнорирует беспорядочную, субъективную сторону обучения. Авторы утверждают, что чтобы понять, почему одни занятия помогают студентам преуспевать, а другие — нет, нужны инструменты, которые могут одновременно учитывать множество факторов и работать с несовершенными, основанными на мнениях данными.

Гибридный подход «человеко-подобного» и «выявляющего паттерны» типов

В исследовании представлен гибридный модельный подход под названием Fuzzy and Deep Learning (FDL). Часть «нечеткой логики» имитирует способ мышления людей в градациях, а не в строгих «да/нет» категориях — например, определяя успеваемость студента как «низкая», «средняя» или «высокая» с плавными переходами вместо жестких границ. Она преобразует расплывчатые входные данные, такие как стаж преподавания, соотношение студентов и преподавателя и сложность курса, в гибкие категории, затем использует простые правила типа «если успеваемость студентов высокая и группа маленькая, то эффективность преподавания высокая». Тем временем часть глубокого обучения — это многослойная сеть, которая обрабатывает большие объемы очищенных и стандартизированных данных, выявляя сложные связи, не всегда очевидные для человека.

От сырых опросов к осмысленным сигналам

Чтобы протестировать подход, исследователи использовали данные Национального опроса вовлеченности студентов (National Survey of Student Engagement) — большой и широко применяемый опрос, который заполняют первокурсники и выпускники в североамериканских колледжах и университетах. Они адаптировали ряд вопросов, чтобы более четко фокусироваться на том, насколько хорошо преподаватели выполняют свои функции, затем проверили надежность переработанного анкеты. Далее была проведена тщательная подготовка данных: исправление ошибок, заполнение пропусков, объединение информации со стороны студентов и преподавателей и масштабирование всех показателей в общий диапазон. Также были созданы составные индикаторы, например взвешенная итоговая оценка на основе экзаменов, выполнения домашних заданий и посещаемости, и снижена размерность данных с помощью стандартного метода главных компонент. Этот подготовленный набор данных использовался как в модуле нечеткой логики для обработки неточных категорий, так и в сети глубокого обучения для анализа высокоразмерных числовых паттернов.

Насколько хорошо работает новая модель?

Модель FDL обучали и тестировали на разных частях данных, чтобы избежать переобучения на знакомых примерах. Ее показатели сравнивали с несколькими сильными альтернативами, включая стандартные нейронные сети и более продвинутые глубокие модели. По ключевым метрикам — общая точность, точность предсказаний (precision), полнота (recall) и F1‑мера — гибридный метод либо соответствовал, либо превосходил конкурентов, достигая примерно 98% точности и низкого уровня ошибок чуть выше 10%. Не менее важно, что нечеткие правила сделали решения модели более интерпретируемыми по сравнению с «черными ящиками». Система могла выделять комбинации факторов — например, большие группы в сочетании с малым опытом преподавателя или требовательные курсы при наличии сильной обратной связи — которые были наиболее сильно связаны с лучшими или худшими результатами преподавания.

Что это значит для студентов и вузов

Говоря простыми словами, исследование показывает, что теперь возможно создать автоматизированный «барометр преподавания», который одновременно высокоточный и сравнительно понятный. Вместо опоры на грубые средние значения и разовые опросы вузы могли бы использовать такую систему, чтобы рано обнаруживать слабые учебные условия, определять, какие преподаватели или курсы нуждаются в целевой поддержке, и проверять, действительно ли новые политики помогают студентам учиться лучше. Авторы отмечают, что модель не идеальна — она зависит от качества данных, может требовать значительных вычислительных ресурсов и неизбежно упрощает богатую человеческую сторону образования. Тем не менее при продуманном использовании она предлагает мощную новую призму для повышения эффективности, справедливости и ориентированности вузовских занятий на потребности студентов.

Цитирование: He, Z., Zhang, X., Zhang, Z. et al. Assessment of influencing factors of college and universities’ teaching effects using fuzzy and deep learning techniques. Sci Rep 16, 5168 (2026). https://doi.org/10.1038/s41598-026-35940-5

Ключевые слова: эффективность преподавания, высшее образование, успеваемость студентов, нечеткая логика, глубокое обучение