Математический аппарат для оценивания некоторых показателей качества учебного вебинара посредством машинного обучения

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.

1. Полетайкин 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.

2. 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.

3. 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).

4. Сорокин Г. А. Фильтры нижних частот // Вестник ЮУрГУ. Серия: Компьютерные технологии, управление, радиоэлектроника. 2015. № 1. С. 100–107.

5. Попов А. Н., Шелупанов А. А. Машинное обучение. Эволюция методов. М.: ДМК Пресс, 2019. 304 с.

6. Bradski G. and Kaehler A. Learning OpenCV: Computer Vision with the OpenCV Library. First Edition. USA: O'Reilly Media, 2008. 543 p.

7. 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.

8. 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.

9. 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.

10. Дворянкин Д. К., Кулешов Д. А., Кадурин А. В. Нейронные сети и глубокое обучение. СПб.: Питер, 2019. 352 с.