etip Экономика: теория и практика Economics: Theory and Practice 2224-042X Кубанский государственный университет RU 871 Научная статья Original article Цифровая экономика Digital Economy Выявление группы риска по студенческой автономности в условиях использования искусственного интеллекта: нейро-нечёткий подход (ANFIS) Identification of a risk group for student autonomy in the context of artificial intelligence use: a neuro-fuzzy (ANFIS) approach Фощан Г.И. Фощан Галина Ивановна Foschan Galina Ivanovna foshan@mail.ru Литивинский К.О. Литвинский Кирилл Олегович Litvinsky Kirill Olegovich litvinsky@econ.kubsu.ru Тодовянский А.А. Тодовянский Андрей Андреевич Todovyansky Andrey Andreevich iws.reccolz@gmail.com Кубанский государственный аграрный университетKuban State University ФГБОУ ВО "Кубанский государственный университет"Kuban State University 19 06 2026 82 2 56 62 16 04 2026 16 04 2026 19 06 2026 Copyright (c) 2026 Галина Ивановна Фощан, Кирилл Олегович Литвинский, Андрей Андреевич Тодовянский 2026 Галина Ивановна Фощан, Кирилл Олегович Литвинский, Андрей Андреевич Тодовянский Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

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

This paper addresses the identification of a risk group for reduced student learning autonomy under the use of AItools. An interpretable neuro-fuzzy ANFIS (Adaptive Neuro-Fuzzy Inference System) model is applied to estimate risk. Modelquality is evaluated using RMSE/MAE and Spearman’s rank correlation; error diagnostics and permutation-based feature importance are also performed. The strongest contribution to reduced autonomy is associated with submitting assignmentsfully completed by AI and the pronounced influence of AI on the learning process

 learning autonomy risk group artificial intelligence neuro-fuzzy model ANFIS interpretable machine learning permutation importance учебная автономность группа риска искусственный интеллект нейро-нечёткая модель ANFIS интерпретируемое машинное обучение перестановочная значимость production-ready-file-url Моросанова В.И., Фомина Т.Г., Цыганов И.Ю. Осознанная саморегуляция и отношение к учению в достижении учебных целей. М.; СПб., 2017. Сидоренко Е.В. Методы математической обработки в психологии. СПб.: 2000. 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 Breiman L. Random forests // Machine Learning; 2001. Vol. 45, No. 1. P. 5–32. Holec H. Autonomy and Foreign Language Learning. Oxford: Pergamon Press;1981. 53 p. 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. 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. Kasneci E., Seßler K., Küchemann S. ChatGPT for good? On opportunities and challenges of large language models for education // Learning and Individual Differences; 2023. Vol. 103. Art. 102274. Little D. Language Learner Autonomy: Some Fundamental Considerations Revisited // Innovation in Language Learning and Teaching; 2007. Vol. 1, No. 1. P. 14–29. 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. Miao F., Holmes W. Guidance for generative AI in education and research Paris: UNESCO; 2023. URL: https://unesdoc.unesco.org/ark:/48223/pf0000386693 Molnar C. Interpretable Machine Learning: A Guide for Making Black Box Models Explainable 2nd ed; 2022. URL: https://christophm.github.io/interpretable-ml-book/ (дата обращения: 25.02.2026). Ouyang F., Jiao P. Artificial intelligence in education: The three paradigms // Computers and Education: Artificial Intelligence; 2021. Vol. 2. Art. 100020. Pedregosa F., Varoquaux G., Gramfort A. Scikit-learn: Machine learning in Python // Journal of Machine Learning Research; 2011. Vol. 12. P. 2825–2830. 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. Spearman C. The proof and measurement of association between two things // The American Journal of Psychology; 1904. Vol. 15, No. 1. P. 72–101. Susnjak T., McIntosh T.R. ChatGPT: The End of Online Exam Integrity? // Education Sciences; 2024. Vol. 14, No. 6. Art. 656. 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. 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. Zadeh L.A. Fuzzy sets // Information and Control; 1965. Vol. 8, No. 3. P. 338–353. 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. Zimmerman B.J. Becoming a Self-Regulated Learner: an overview // Theory Into Practice; 2002. Vol. 41, No. 2. P. 64–70.