Модель оценки курса в профессиональном образовании на основе BPNN, оптимизированная генетическим алгоритмом

Почему важно по-новому измерять навыки

По мере того как всё больше молодых людей в Китае и в мире выбирают профессиональные колледжи, учебные заведения сталкиваются с необходимостью оценивать студентов справедливо и оперативно. Традиционные курсовые оценки часто опираются на впечатления преподавателя или простые усреднения результатов тестов, что может быть субъективно, медленно обновляться и тяжело масштабироваться на тысячи учащихся. В этом исследовании изучается, как адаптированная форма искусственного интеллекта может превратить разрозненные записи из разных источников в ясную, надёжную картину учебных достижений, помогая школам поддерживать студентов и повышать качество преподавания.

Сложность оценки реального обучения

Профессиональное образование ориентировано на практические навыки: сварка шва, прокладка проводки или проведение бизнес-симуляции. Оценивать такое обучение сложнее, чем ставить отметку за единый экзамен. Колледжи собирают множество сведений — посещаемость, лабораторные работы, оценки преподавателей и прочее — часто в разных форматах. Человеческие оценщики могут по-разному взвешивать эти факторы, что приводит к непоследовательным результатам. Одновременно некоторые современные модели ИИ требуют огромных объёмов данных и вычислительных ресурсов, которых у многих школ нет. Авторы поставили цель разработать более лёгкую и прозрачную систему, способную обрабатывать разнородные данные и сохранять при этом максимально объективные суждения.

Интеллектуальный движок, настроенный на профессиональные данные

В основе исследования лежит модель оценки курса, построенная на сети прямого распространения с обратным распространением ошибки (BPNN) — классической технике ИИ, которая учится распознавать закономерности, многократно сопоставляя свои прогнозы с реальными результатами. Чтобы сеть эффективно работала с образовательными данными, исследователи сначала очищают и нормируют все входные значения, чтобы разные индикаторы — например баллы тестов или показатели посещаемости — сравнивались на единой шкале. Затем они используют метод «энтропии» для вычисления информативности каждого индикатора, придавая больший вес факторам, которые существенно варьируются между студентами, и меньший — тем, которые мало меняются. Это снижает влияние догадок о том, какие показатели важнее.

Заимствование у эволюции для улучшения обучения

Поверх этой основной сети команда добавляет генетический алгоритм, вдохновлённый естественным отбором. Возможные настройки внутренних связей сети рассматриваются как особи в популяции. Через повторяющиеся циклы отбора и рекомбинации алгоритм широко ищет перспективные сочетания весов и порогов, помогая системе не застревать в плохих решениях. Как только находится хорошая область параметров, в работу вступает второй метод — Левенберга–Маркардта — для быстрой и точной доводки параметров. Этот двухэтапный процесс сочетает широкое исследование с быстрым локальным уточнением, позволяя модели точно учиться на относительно скромных наборах данных.

Насколько хорошо модель работает в классе?

Чтобы проверить подход, авторы подготовили два реальных набора данных из китайских профессиональных учреждений, содержащих тысячи записей по курсам из разных направлений и школ, а также дополнительные публичные наборы данных студентов. Они сравнили гибридную модель с несколькими альтернативами, включая традиционные нейронные сети, рекуррентные сети и другие схемы оптимизации. По таким показателям, как ошибка прогноза, стабильность в повторных испытаниях и соответствие между предсказанными и фактическими оценками курсов, новая модель постоянно оказывалась впереди. Она снизила типичные ошибки прогнозирования до однозначного процентного диапазона, достигла очень высокого согласия с реальными результатами оценивания и сохраняла сильные показатели при обучении и тестировании на разных группах студентов.

Что это значит для студентов и учебных заведений

Проще говоря, исследование показывает, что тщательно разработанная система ИИ может преобразовать сложные, многогранные записи о профессиональном обучении в надёжные оценки курса, которые менее предвзяты и более согласованы, чем многие существующие методы. Автоматически уравновешивая проверку знаний, практические навыки и более широкие качества, такие как командная работа, модель отражает цели современного профессионального образования и снижает нагрузку на преподавателей и администраторов. Хотя необходимы дальнейшие исследования для решения вопросов справедливости между разными группами студентов и адаптации к системам других стран, эта схема указывает путь к более умным и прозрачным способам признания практических навыков и поддержки учащихся на профессиональном пути.

Цитирование: Luo, W., Zang, L., Liang, W. et al. Course assessment model in vocational education based on BPNN optimized by genetic algorithm. Sci Rep 16, 12686 (2026). https://doi.org/10.1038/s41598-026-43397-9

Ключевые слова: профессиональное образование, оценка курса, нейронные сети, генетические алгоритмы, образовательный дата-майнинг