Выявление группы риска по студенческой автономности в условиях использования искусственного интеллекта: нейро-нечёткий подход (ANFIS)

Авторы

Фощан Г.И.
Кубанский государственный аграрный университет, Российская Федерация
Литивинский К.О.
Кубанский государственный аграрный университет, Российская Федерация
Тодовянский А.А.
ФГБОУ ВО "Кубанский государственный университет", Российская Федерация

Аннотация

 Рассматривается выявление группы риска снижения учебной автономности студентов при использовании ИИ. Для риск-оценки применена интерпретируемая нейро-нечёткая модель ANFIS. Качество оценено RMSE/MAE
и корреляцией Спирмена; выполнены диагностика ошибок и перестановочная важность признаков. Максимальный
вклад дают случаи сдачи работ, полностью выполненных ИИ, и сильное влияние ИИ на учебный процесс

Ключевые слова

учебная автономность, группа риска, искусственный интеллект, нейро-нечёткая модель, ANFIS, интерпретируемое машинное обучение, перестановочная значимость

Список литературы

  1. Моросанова В.И., Фомина Т.Г., Цыганов И.Ю. Осознанная саморегуляция и отношение к учению в достижении учебных целей. М.; СПб., 2017.
  2. Сидоренко Е.В. Методы математической обработки в психологии. СПб.: 2000.
  3. Altmann A., Toloşi L., Sander O., Lengauer T. Permutation importance: a corrected feature importance measure //Bioinformatics. 2010. Vol. 26, No. 10. P. 1340–1347. DOI: 10.1093/bioinformatics/btq134
  4. Breiman L. Random forests // Machine Learning; 2001. Vol. 45, No. 1. P. 5–32.
  5. Holec H. Autonomy and Foreign Language Learning. Oxford: Pergamon Press;1981. 53 p.
  6. Jang J.-S.R. ANFIS: Adaptive-Network-Based Fuzzy Inference System // IEEE Transactions on Systems, Man, and Cybernetics; 1993. Vol. 23, No. 3. P. 665–685.
  7. Jang J.-S.R., Sun C.-T., Mizutani E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Upper Saddle River, NJ: Prentice Hall; 1997. 614 p. ISBN 0-13-261066-3.
  8. Kasneci E., Seßler K., Küchemann S. [et al.] ChatGPT for good? On opportunities and challenges of large language models for education // Learning and Individual Differences; 2023. Vol. 103. Art. 102274.
  9. Little D. Language Learner Autonomy: Some Fundamental Considerations Revisited // Innovation in Language Learning and Teaching; 2007. Vol. 1, No. 1. P. 14–29.
  10. Mamdani E.H., Assilian S. An experiment in linguistic synthesis with a fuzzy logic controller // International Journal of Man-Machine Studies; 1975. Vol. 7, No. 1. P. 1–13.
  11. Miao F., Holmes W. Guidance for generative AI in education and research Paris: UNESCO; 2023. URL: https://unesdoc.unesco.org/ark:/48223/pf0000386693
  12. Molnar C. Interpretable Machine Learning: A Guide for Making Black Box Models Explainable 2nd ed; 2022.
  13. URL: https://christophm.github.io/interpretable-ml-book/ (дата обращения: 25.02.2026).
  14. Ouyang F., Jiao P. Artificial intelligence in education: The three paradigms // Computers and Education: Artificial Intelligence; 2021. Vol. 2. Art. 100020.
  15. Pedregosa F., Varoquaux G., Gramfort A. [et al.] Scikit-learn: Machine learning in Python // Journal of Machine Learning Research; 2011. Vol. 12. P. 2825–2830.
  16. Ribeiro M.T., Singh S., Guestrin C. «Why Should I Trust You?» Explaining the Predictions of Any Classifier // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ’16). New York: ACM, 2016. P. 1135–1144.
  17. Spearman C. The proof and measurement of association between two things // The American Journal of Psychology; 1904. Vol. 15, No. 1. P. 72–101.
  18. Susnjak T., McIntosh T.R. ChatGPT: The End of Online Exam Integrity? // Education Sciences; 2024. Vol. 14, No. 6. Art. 656.
  19. Takagi T., Sugeno M. Fuzzy identification of systems and its applications to modeling and control // IEEE Transactions on Systems, Man, and Cybernetics. 1985. Vol. 15, No. 1. P. 116–132.
  20. Willmott C.J., Matsuura K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance // Climate Research; 2005. Vol. 30, No. 1. P. 79–82.
  21. Zadeh L.A. Fuzzy sets // Information and Control; 1965. Vol. 8, No. 3. P. 338–353.
  22. Zawacki-Richter O., Marín V.I., Bond M., Gouverneur F. Systematic review of research on artificial intelligence applications in higher education – where are the educators? // International Journal of Educational Technology in Higher Education; 2019. Vol. 16. Art. 39.
  23. Zimmerman B.J. Becoming a Self-Regulated Learner: an overview // Theory Into Practice; 2002. Vol. 41, No. 2. P. 64–70.

Статистика загрузок

##plugins.themes.etip.displayStats.noStats##

Боковая панель

PDF JATS XML

Информация о статье

Выпуск

2026 · № 2 (82)

Рубрика

Цифровая экономика

История публикации

Дата поступления 16.04.2026
Дата публикации 19.06.2026

Как цитировать

[1]
Фощан Г.И., Литвинский К.О., Тодовянский А.А. Выявление группы риска по студенческой автономности в условиях использования искусственного интеллекта: нейро-нечёткий подход (ANFIS) // Экономика: теория и практика. 2026. № 2 (82). С. 56–62. URL: https://etip.kubsu.ru/article/view/871

Лицензия

Copyright (c) 2026 Галина Ивановна Фощан, Кирилл Олегович Литвинский, Андрей Андреевич Тодовянский

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Похожие статьи

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.