STUDENTLERDI BIRLESTIRIW: XALÍQARALÍQ IZERTLEWLER HÁM PÁNLER BOYINSHA BIRGE
ISLESIW 1-XALÍQARALÍQ STUDENTLER KONFERENCIYASÍ. NÓKIS, 2025-JÍL 20-21-MAY
__
_____________________________________________________________________________________________
329
СПИСОК ЛИТЕРАТУРЫ:
1. Кириллов, В.В. Введение в реляционные базы данных. Введение в реляционные базы
данных / В.В. Кириллов, Г.Ю. Громов. - СПб.: БХВПетербург, 2019. - 464 стр.
2. Кошелев, В.Е. Базы данных в ACCESS 2017:
3. Кузин, А.В. Базы данных: Учебное пособие для студ. высш. учеб. заведений / А.В.
Кузин, С.В. Левонисова. - М.: ИЦ Академия, 2020. - 320 cтр.
4. Ливена, С.В. Практика увольнений за прогул. По материалам базы данных «Пакет
кадровика» / С.В. Ливена. - М.: ИНФРА-М, 2008. - 51 стр.
5. Пирогов, В.Ю. Информационные системы и базы данных: организация и
проектирование: Учебное пособие / В.Ю. Пирогов. - СПб.: БХВ- Петербург, 2020. - 528
стр.
6. Советов, Б.Я. Базы данных: теория и практика: Учебник для бакалавров / Б.Я. Советов,
В.В. Цехановский, В.Д. Чертовской. - М.: Юрайт, 2020.- 463 стр.
7. Фуфаев,
Э.В. Базы данных: Учебное пособие для студентов учреждений
среднего профессионального образования / Э.В. Фуфаев, Д.Э. Фуфаев. - М.: ИЦ Академия,
2012. - 320 cтр.
8. Стивен Хольцнер . РНР в примерах. / Стивен Хольцнер . М.: 000
9. «Бином-Пресс», 2007 г. Пер. с англ. 352 стр.
10. Ларри Ульман. Ульман Л. Основы программирования на РНР:/Ларри Ульман. Пер. с
англ. -М.: ДМК Пресс, 2001. -288 стр.: ил. (Самоучитель).
11. Александр Мазуркевич. MB РНР: настольная книга программиста. / Александр
Мазуркевич, Дмитрий Еловой. — Мн.: Новое знание, 2003. — 480 стр.: ил.
12. Томсон Лаура. Разработка Web-приложений на РНР и MySQL: Пер. с англ. /Лаура
Томсон, Люк Вел.
13. Гутманс Э., Баккен С,Ретанс Д. PHP 5. Профессиональное программирование./ Пер. с
анrл. СПб: Символ- Плюс, 2006. 704 стр., ил.
14. Зиборов, В. MS Visual C++ 2010 в среде .NET / В. Зиборов. - М.: Питер, 2012.- 320 cтр.
ИССЛЕДОВАНИЕ МЕХАНИЗМОВ ОБЕСПЕЧЕНИЯ АДАПТИВНОГО
ОБРАЗОВАНИЯ ДЛЯ СТУДЕНТОВ IT-СПЕЦИАЛЬНОСТЕЙ
Жумадилова Мереке Бапановна, кандидат технических наук, профессоp
Савелкин Никита Кириллович, студент ОП “Computer Engineering”
Кожиков Берекет Сабитович, студент ОП “Computer Engineering”
Ғабит Бексұлтан Хамитұлы, студент ОП “Computer Engineering”
НАО Каспийский государственный университет имени Ш.Есенова (г. Актау, Казахстан)
Введение. Динамичный характер IT-сферы создает уникальные образовательные задачи,
для решения которых адаптивное обучение особенно хорошо подходит. В современном мире
технологии развиваются беспрецедентными темпами, постоянно появляются новые
платформы, языки и методологии. Современным IT-специалистам необходимо развивать
сильные способности к самообучению, поскольку им необходимо постоянно повышать свою
квалификацию на протяжении всей карьеры. Адаптивные системы обучения помогают
выявлять пробелы в знаниях и эффективно их восполнять. Способность системы мгновенно
получать обратную связь по упражнениям с кодом и техническим концепциям помогает
студентам развивать навыки быстрого выполнения итераций и решения проблем, которые
необходимы при разработке программного обеспечения в реальных условиях.
STUDENTLERDI BIRLESTIRIW: XALÍQARALÍQ IZERTLEWLER HÁM PÁNLER BOYINSHA BIRGE
ISLESIW 1-XALÍQARALÍQ STUDENTLER KONFERENCIYASÍ. NÓKIS, 2025-JÍL 20-21-MAY
__
_____________________________________________________________________________________________
330
Важно отметить, что адаптивные системы обучения могут интегрировать в учебный план
реальные сценарии программирования и отраслевые проекты. По мере того, как учащиеся
продвигаются вперед, система может решать все более сложные задачи в реальном мире,
обеспечивая последовательную увязку теоретических знаний с практическими приложениями.
Это помогает преодолеть разрыв между академическим обучением и требованиями отрасли,
более эффективно готовя студентов к их будущей карьере. Важно знать, какие механизмы
адаптивного обучения существуют и насколько тяжело их внедрить в образовательную
программу.
Цель исследования: исследовать механизмы обеспечения адаптивного образования для
студентов IT-специальностей.
Задачи:
-
Анализ трудностей студентов во время обучения IT-специальности и способы их
решения с помощью адаптивного образования
-
Анализ существующих алгоритмов адаптивного обучения для эффективного обучения
IT-направлениям
На протяжении всего времени образования традиционными методами по программам
подготовки IT-специалистов, студенты сталкиваются с определенными проблемами, которые
необходимо
решить
для
более
эффективного
обучения
и
для
становления
высококвалифицированным специалистом. Ниже мы привели перечень этих проблем:
-
Быстрое устаревание учебных материалов из-за высокой скорости развития технологий
-
Сложность в построении связей между теоретическими концепциями и их
практическим применением
-
Недостаток практических навыков в настройке и использовании инструментов и сред
разработки, особенно на начальных этапах обучения
-
Необходимость пересмотра парадигмы мышления с линейной на системную
-
Трудности в развитии алгоритмического мышления
-
Тяжелое освоение абстрактных концепций (алгоритмы и структуры данных)
-
Недостаток практики командной работы над реальными проектами
-
Разрыв между академическими знаниями и требованиями индустрии
-
Слишком высокая скорость обучения и перегруз обилием информации
Именно традиционные системы образования тяжело справляются с подготовкой
специалистов по подобным направлениям, поэтому здесь на помощь приходят адаптивные
системы образования (АСО).
В адаптивных системах обучения используются различные алгоритмы персонализации,
которые влияют на результаты обучения с помощью нескольких ключевых механизмов:
Анализ алгоритмов персонализации обучения
Существует несколько видов алгоритмов, которые позволяют обеспечить более
персонализированный процесс обучения студента. Ниже приведем список, чем каждый
алгоритм персонализируется.
k-ближайших соседей (kNN), наивный байесовский метод, случайный лес, логистическая
регрессия [2] - данные алгоритмы созданы для классификации и выявления закономерностей
обучения у учащегося. Благодаря данной классификации, выявляется возможность создавать
группы учеников, которые очень схожи по уровню обучения, что позволит решить проблемы
с недостатком работы в команде.
Нейронные сети, графы, классификация
- в статье описываются исследования,
разработка и внедрение интеллектуальных обучающих сред (TIES), которые используют
комбинацию экспертных систем, адаптивных систем обучения и нескольких математических
и вычислительных методов для обеспечения персонализированного и эффективного процесса
STUDENTLERDI BIRLESTIRIW: XALÍQARALÍQ IZERTLEWLER HÁM PÁNLER BOYINSHA BIRGE
ISLESIW 1-XALÍQARALÍQ STUDENTLER KONFERENCIYASÍ. NÓKIS, 2025-JÍL 20-21-MAY
__
_____________________________________________________________________________________________
331
обучения. Основной упор делается на интеграцию формального и неформального обучения,
формирование компетенций на основе обучения и реальных знаний, а также активное
использование симуляторов, виртуальных миров и дополненной реальности [3], [4], [5].
Рекомендательный движок [3] - рекомендательный движок может стать основой для
построения действительно адаптивной и эффективной образовательной среды. Система
начинает с анализа профиля студента: его уровня подготовки, интересов (например, frontend,
backend, data science), целей (прохождение стажировки, подготовка к собеседованию, желание
попасть в BigTech и т.д.) На основе этих данных формируется индивидуальный маршрут
обучения. Далее в процессе обучения система отслеживает поведение пользователя: какие
темы усваиваются хорошо, где возникают трудности, сколько времени тратится на каждую
тему, насколько эффективно выполняются задания.
Это позволяет рекомендательному движку постоянно адаптировать контент: предлагать
новые курсы, статьи, видеоуроки или упражнения, соответствующие текущим знаниям и
целям. Важно, что задачи и тесты в такой LMS подбираются с учетом уровня подготовки: если
студент успешно решает текущие задания, ему предлагаются более сложные; в случае
затруднений — система автоматически подбирает материалы, направленные на устранение
пробелов [7], [8], [9].
Список литературы
1. Adorni, G.; Koceva, F. Educational Concept Maps for Personalized Learning Path Generation.
In AI*IA 2016 Advances in Artificial Intelligence; AI*IA 2016 Lecture Notes in Computer
Science; Adorni, G., Cagnoni, S., Gori, M., Maratea, M., Eds.; Springer: Cham, Switzerland,
2016; Volume 10037.
2. Abyaa, A.; Idrissi, M.K.; Bennani, S. Predicting the learner’s personality from educational data
using supervised learning. In Proceedings of the 12th International Conference on Intelligent
Systems: Theories and Applications (SITA’18), Rabat, Morocco, 24–25 October 2018;
Association for Computing Machinery: New York, NY, USA, 2018. Article 19. pp. 1–7.
3. Litmanen, T.; Autio, I. Intelligent tutoring in online learning environment. In Proceedings of
the 10th International Technology, Education and Development Conference, Valencia, Spain, 7–
9 March 2016; pp. 6988–6995.
4. Aljohani, N. R. Adaptive Learning Using Artificial Intelligence in e-Learning. Education
Sciences, 13(12), 1216. https://doi.org/10.3390/educsci13121216
5. Vázquez-Ingelmo, A., García-Peñalvo, F. J., & Therón, R. Challenges and Contexts in
Establishing Adaptive Learning in Higher Education. International Journal of Educational
Technology in Higher Education, 17(1), 54. https://doi.org/10.1186/s41239-020-00209-y
ОРГАНИЗАЦИЯ САМОСТОЯТЕЛЬНОЙ РАБОТЫ СТУДЕНТОВ ПО РУССКОМУ
ЯЗЫКУ КАК ИНОСТРАННОМУ В СФЕРЕ ОБРАЗОВАНИЯ
Жумамуратова Улбосын Парахат кызы
Базовый докторант 1 курса
Каракалпакский государственный университет имени Бердаха
Аннотация:
В данной статье рассматриваются вопросы преподавания русского языка как
иностранного и определены задачи по улучшению процесса формирования коммуникативной
компетенции.
Ключевые
слова:
студент,
организация,
самостоятельная
работа,
РКИ,
коммуникативность.
