Проблема исследования. Внедрение технологий интеллектуального анализа результатов успеваемости и достижений обучающихся с помощью машинного обучения в последнее время становится наиболее актуальной, как одной из необходимых и эффективных инстру-ментов для индивидуализации образовательно-воспитательного мониторинга подрастаю-щего поколения. Это позволяет реализовать кластеризацию и классификацию процессов учебного и внеучебного воздействия на обучающихся со стороны педагогов для выявления зависимостей и связей между ними, анализа качества обучения для повышения его эффективности. Использование только статистических методов для анализа результатов педагогических исследований ограничивает надежность полученных данных, а применение методов машинного обучения и интеллектуального анализа данных существенно дополняет достоверность и повышает их интерпретируемость для дальнейшего их внедрения в педагогическую практику. Искусственные интеллектуальные системы позволяют
обрабатывать большой объём персональной информации о каждом конкретном школьнике и студен-те, что дает возможность отказаться от статистического усреднения в целях выработки стандартных условий учебного и внеучебного процессов, но при этом перейти именно к адаптивному подходу. Интеллектуальный анализ результатов педагогических исследований позволяет решить проблемы выявления достоверности выводов через понижение ресурсо-затратности проведения мониторинга, быструю обратную связь и в отдельных случаях и снижение субъективного экспертного искажения. Исходя из вышеуказанного, целью исследования является: экспериментально доказать эффективность использования различных алгоритмов машинного обучения и нейронных сетей при реализации аналитической систе-мы Оrange для интеллектуального анализа педагогических исследований. В статье исследуется опыт Глазовского государственного педагогического института им. В.Г. Короленко, Удмуртского государственного университета и учреждения дополнительного образования "Механик" г. Ижевск. Методы исследования: теоретические методы, среди которых анализ предмета исследования на основе изучения специальной научной и учебно-методической литературы в области реализации искусственного интеллекта в системе образования; ре-флексивно-системный анализ обоснованной организации интеллектуального анализа данных на основе построения различных моделей машинного обучения. В качестве практических методов с использованием аналитической системы Оrange апробированы следующие алго-ритмы машинного обучения: линейная и логистическая регрессии, дерево решений и случайный лес, нейронные сети. В исследовании использованы данные 730 студентов, обучающихся на бакалавриате в организациях высшего образования, и 90 учащихся дополнительного образования. Для реализации эксперимента вся исследовательская выборка, состоящая из экспериментальной (n=417) и контрольной (n=403) групп, была разделена на несколько частей: тренировочную для обучения моделей машинного обучения, проверочную для коррек-тировки и поиска наилучших параметров нейронной сети и алгоритмов и тестовую для оценивания работы построенных моделей на основе новых неизвестных для моделей дан-ных. Выводы и рекомендации. Проведенное исследование позволяет сделать вывод о том, что использование различных алгоритмов машинного обучения и нейронных сетей при реализации аналитической системы Оrange позволило реализовать интерпретируемый интел-лектуальный анализ. В результате анализа данных экспериментальной и контрольной групп до и после реализации педагогического исследования выявлены закономерности по формиро-ванию компонентов, которые изначально не проявились в ходе статистической обработки.
Research problem. The introduction of technologies for intellectual analysis of the results of academic performance and achievements of students with the help of machine learning has recently become the most relevant, as one of the necessary and effective tools for individualizing the educational monitoring of the younger generation. This allows you to implement clustering and clas-sification of the processes of educational and extracurricular impact on students by teachers to identify dependencies and relationships between them, analyze the quality of education to improve its effectiveness. The use of only statistical methods for analyzing the results of pedagogical re-search limits the reliability of the data obtained, and the use of machine learning and data mining methods significantly complements the reliability and increases their interpretability for their further implementation in pedagogical practice. Artificial intelligent systems allow processing a large amount of personal information about each specific schoolchild and student, which makes it possible to abandon statistical averaging in order to develop standard conditions for educational and extracurricular processes, but at the same time switch to an adaptive approach. Intellectual analysis of the results of pedagogical research allows solving the problems of identifying the reli-ability of conclusions by reducing the resource consumption of monitoring, quick feedback and, in some cases, reducing subjective expert distortion. Based on the foregoing, the aim of the study is: to experimentally prove the use of various machine learning algorithms and neural networks in the implementation of the Orange analytical system for the intellectual analysis of pedagogical re-search. The article examines the experience of the Glazov State Pedagogical Institute, Udmurt State University and "Mechanic". Research methods: theoretical methods, including the analysis of the subject of research based on the study of special scientific and educational literature in the field of the implementation of artificial intelligence in the education system; reflexive-system analysis of the reasonable organization of data mining based on the construction of various ma-chine learning models. The following machine learning algorithms were tested as practical methods using the Orange analytical system: linear and logistic regression, decision tree and random forest, neural networks. The study used data from 730 students in higher education institutions and 90 additional education students. To implement the experiment, the entire research sample, consisting of experimental (n=417) and control (n=403) groups, was divided into several parts: a training one for training machine learning models, a test one for adjusting and finding the best parameters of the neural network and algorithms, and a control one. Conclusions and recommendations. The conducted research allows us to conclude that the use of various machine learning algorithms and neural networks in the implementation of the Orange analytical system made it possible to implement interpretable mining. As a result of the analysis of the data of the experi-mental and control groups before and after the implementation of the pedagogical research, pat-terns were revealed in the formation of components that did not initially appear during statistical processing.
