sibsutisВестник СибГУТИThe Herald of the Siberian State University of Telecommunications and Information Science1998-6920СибГУТИ10.55648/1998-6920-2024-18-1-121-143sibsutis-872Research ArticleСтатьиМатематический аппарат для оценивания некоторых показателей качества учебного вебинара посредством машинного обученияMathematical Apparatus for Some Quality Indicators Assessment of a Training Webinar Using Machine Learninghttps://orcid.org/0000-0002-4491-1493ПодколзинВ. В.PodkolzinV. V.

Подколзин Вадим Владиславович, к.ф.-м.н., заведующий кафедрой информационных технологий

350040, Краснодар, ул. Ставропольская, 149

Scopus AuthorID: 57215326416 ,

Researcher ID: AAU-8042-2021.

Vadim V. Podkolzin, Cand. of Sci. (Physical and Mathematical), Head at the Department of Information Technologies

Krasnodar

vvp_kubsu@mail.ruhttps://orcid.org/0000-0002-5128-1952ПолетайкинА. Н.PoletaikinA. N.

Полетайкин Алексей Николаевич, к.т.н., доцент, доцент кафедры информационных технологий

350040, Краснодар, ул. Ставропольская, 149,

630102, Новосибирск, ул. Кирова, д. 86

Scopus AuthorID: 57213829361,

Researcher ID: ABF-6799-2020.

Aleksey N. Poletaikin, Cand. of Sci. (Engineering), Assistant Professor at the Information Technologies Department, Kuban State University; аssistant professor at the Mathematical Modeling and Digital Development of Business System Department, Siberian State University of Telecommunications and Information Science 

Krasnodar, 630102, Novosibirsk, Kirov St. 86

 

alex.poletaykin@gmail.comhttps://orcid.org/0009-0002-4515-9923ГалкинаМ. Ю.GalkinaM. Yu.

Галкина Марина Юрьевна, доцент, доцент кафедры прикладной математики и кибернетики

630102, Новосибирск, ул. Кирова, д. 86

Marina Yu. Galkina, Assistant Professor of the Department of Applied Mathematics and Cybernetics

630102, Novosibirsk, Kirov St. 86

gmur7@mail.ruКубанский государственный университет (КубГУ)РоссияKuban State University (KubSU)Russian FederationКубанский государственный университет (КубГУ); Сибирский государственный университет телекоммуникаций и информатики (СибГУТИ)РоссияKuban State University (KubSU); Siberian State University of Telecommunications and Information Science (SibSUTIS)Russian FederationСибирский государственный университет телекоммуникаций и информатики (СибГУТИ)РоссияSiberian State University of Telecommunications and Information Science (SibSUTIS)Russian Federation202420012024181121143Copyright © Подколзин В.В., Полетайкин А.Н., Галкина М.Ю., 20242024Подколзин В.В., Полетайкин А.Н., Галкина М.Ю.Podkolzin V.V., Poletaikin A.N., Galkina M.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.sibsutis.ru/jour/article/view/872

Данная статья является вторым этапом создания и исследования технологии оценивания качества контактной работы в вузе, реализуемой посредством вебинаров. Рассматривается математическое обеспечение интеллектуальной технологии анализа аудиовидеопотока записи учебного вебинара. Решается задача повышения эффективности и достоверности оценивания некоторых показателей качества контактной работы в институте заочного образования СибГУТИ, реализуемой посредством вебинаров, в ходе дистанционного обучения. Для анализа применяются методы машинного обучения и их реализация с использованием стандартных модулей и библиотек Python. Научная значимость работы состоит в разработке новых моделей и алгоритмов интеллектуального анализа аудиовидеопотока, параметризованных для обработки записи учебного мероприятия. Разработанные модели и алгоритмы позволяют повысить эффективность процесса оценивания качества контактной работы, реализуемой посредством вебинаров.

This article is the second stage of creating and researching a technology for assessing the quality of contact work at a university implemented through webinars. The mathematical support of the intelligent technology for analyzing the audio-video stream of an educational webinar recording is considered. The problem of increasing the efficiency and reliability of assessing some indicators of the quality of contact work at the Faculty of Distance Learning of SibSUTIS implemented through distance learning webinars is being solved. Machine learning methods and their implementation using standard Python modules and libraries are used for analysis. The scientific significance of the work lies in the development of new models and algorithms for intelligent analysis of audio-video streams parameterized for processing the recording of an educational event. The developed models and algorithms make it possible to increase the efficiency of the process of assessing the quality of contact work implemented through webinars.

вебинаробласть конференцииактивность ведущегокритерии оценивания эффективностиинтервалы временилокализация текстаобработка аудиотрекаобработка изображениймашинное обучениеwebinarconference areapresenter activityperformance evaluation criteriatime intervalstext localizationaudio track processingimage processingmachine learningReferencesПолетайкин А. Н., Шевцова Ю. В., Подколзин В. В., Струкова Е. Г. Математическая модель оценивания качества контактной работы, реализуемой посредством вебинаров в ходе дистанционного обучения // Информатика и образование. 2019. № 7 (306). С. 42–53. DOI: 10.32517/0234-0453-2019-34-7-42-53.Poletaikin A. N., Shevtsova Yu. V., Podkolzin V. V., Strukova E. G. Matematicheskaya model' otsenivaniya kachestva kontaktnoi raboty, realizuemoi posredstvom vebinarov v khode distantsionnogo obucheniya [Mathematical model for assessing the quality of contact work implemented through webinars during distance learning]. Informatika i obrazovanie, 2019, no. 7 (306), pp. 42-53, DOI: 10.32517/0234-0453-2019-34-7-42-53.Сизов Л. А. Вебинары – передовая технология непрерывного сетевого образования // Материалы XIV Международной научно-практической конференции «Проблемы экономики и информатизации образования». Тула: ТИЭИ. 2017. С. 92–95.Sizov L. A. Vebinary – peredovaya tekhnologiya nepreryvnogo setevogo obrazovaniya [Webinars - advanced technology for continuous online education]. Problemy ekonomiki i informatizatsii obrazovaniya. Materialy XIV Mezhdunarodnoi nauchno-prakticheskoi konferentsii, Tula, TIEI, 2017. pp. 92-95.Цаллагов Н. А., Астахова Т. А. Проведение эффективных вебинаров от А до Я. ООО «Мираполис», 2015. 174 с. / [Электронный ресурс]. URL: http://indo.kg/wpcontent/uploads/2018/11/Проведение-эффективных-вебинаров-от-А-доЯ.pdf (дата обращения: 31.12.2023).Tsallagov N. A., Astakhova T. A. Provedenie effektivnykh vebinarov ot A do Ya [Conducting effective webinars from A to Z]. OOO «Mirapolis», 2015, 174 p., available at: http://indo.kg/wp-content/uploads/2018/11/Provedenie-effektivnykh-vebinarov-ot-A-do-Ya.pdf (accessed: 31.12.2023).Сорокин Г. А. Фильтры нижних частот // Вестник ЮУрГУ. Серия: Компьютерные технологии, управление, радиоэлектроника. 2015. № 1. С. 100–107.Sorokin G.A. Fil'try nizhnikh chastot [Low pass filters]. Vestnik YuUrGU, Seriya: Komp'yuternye tekhnologii, upravlenie, radioelektronika, 2015, no. 1, pp. 100-107.Попов А. Н., Шелупанов А. А. Машинное обучение. Эволюция методов. М.: ДМК Пресс, 2019. 304 с.Popov A. N., Shelupanov A. A. Mashinnoe obuchenie. Evolyutsiya metodov. [Machine learning. Evolution of methods]. Moscow, DMK Press, 2019. 304 p.Bradski G. and Kaehler A. Learning OpenCV: Computer Vision with the OpenCV Library. First Edition. USA: O'Reilly Media, 2008. 543 p.Gary Bradski, Adrian Kaehler. Learning OpenCV: Computer Vision with the OpenCV Library, First Edition, USA, O'Reilly Media, 2008. 543 p.Андриянов Н. А., Дементьев В. Е., Ташлинский А. Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана–Пирсона к детекторам на базе нейронных сетей EfficientDet // Компьютерная оптика. 2022. Т. 46, № 1. С. 139–159. DOI: 10.18287/2412-6179-CO-922.Andriyanov N. A., Dement'ev V. E., Tashlinskii A. G. Obnaruzhenie ob"ektov na izobrazhenii: ot kriteriev Baiesa i Neimana–Pirsona k detektoram na baze neironnykh setei EfficientDet [Detection of objects in an image: from Bayes and Neyman-Pearson criteria to detectors based on EfficientDet neural networks]. Komp'yuternaya optika, 2022, vol. 46, no. 1, pp. 139-159. DOI: 10.18287/2412-6179-CO-922.Kazemi V. and Sullivan J. One millisecond face alignment with an ensemble of regression trees // Proc. IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, USA, 2014. P. 1867–1874. DOI: 10.1109/CVPR.2014.241.Kazemi V., Sullivan J. One millisecond face alignment with an ensemble of regression trees. 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, USA, 2014, pp. 1867-1874, DOI: 10.1109/CVPR.2014.241.Liang J., Doermann D., and Li H. Camera-based analysis of text and documents: a survey // IJDAR. 2005. V. 7. P. 84–104. DOI: 10.1007/s10032-004-0138-z.Liang J., Doermann D., Li H. Camera-based analysis of text and documents: a survey. IJDAR, 2005, vol. 7, pp. 84-104, DOI: 10.1007/s10032-004-0138-z.Дворянкин Д. К., Кулешов Д. А., Кадурин А. В. Нейронные сети и глубокое обучение. СПб.: Питер, 2019. 352 с.Dvoryankin D. K., Kuleshov D. A., Kadurin A. V. Neironnye seti i glubokoe obuchenie [Neural networks and deep learning]. Saint Petersburg, Piter, 2019. 352 p.

The authors declare that there are no conflicts of interest present.