ЭФФЕКТИВНОЕ ПРИМЕНЕНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РАННЕЙ ДИАГНОСТИКИ НАРУШЕНИЙ ОБУЧАЕМОСТИ У ДЕТЕЙ ДОШКОЛЬНОГО ВОЗРАСТА

Ключевые слова: педагогика, психология, нарушение обучаемости, ранняя диагностика, дошкольники, воспитание, машинное обучение, логистическая регрессия, метод опорных векторов

Аннотация

Введение. Нарушения обучаемости являются распространенным нарушением развития, которое затрагивает значительное число детей дошкольного возраста. Ранняя диагностика и вмешательство имеют решающее значение для улучшения успеваемости и качества жизни детей с ограниченными возможностями обучения. Однако современные методы диагностики могут быть субъективными, трудоемкими и дорогостоящими. Алгоритмы машинного обучения могут устранить эти ограничения и предоставить более точный и эффективный метод ранней диагностики нарушений обучаемости у детей дошкольного возраста.

Метод и методология проведения работы. В основе исследования лежат методы анализа, синтеза и обобщения, педагогический эксперимент. Применение численных методов для обучения модели. Набор данных о детях дошкольного возраста состоял из детей с нарушениями обучаемости, так и без них. Наборы данных использовался в четырех алгоритмов машинного обучения. Для оценили эффективности каждого алгоритма использовались следующие метрики Accuracy, Precision, Recall и F1 score.

Результаты. Эти результаты показывают, что алгоритмы машинного обучения могут быть мощным инструментом для ранней диагностики нарушений обучаемости у детей дошкольного возраста. Алгоритм логистической регрессии показал наивысшие результаты.

Заключение. В заключение следует отметить, что использование алгоритмов машинного обучения для ранней диагностики нарушений обучаемости у детей дошкольного возраста имеет значительные потенциальные преимущества, включая раннее вмешательство, повышенную точность, экономичность, экономию времени, объективный анализ и доступность к диагностике. Авторы планируют дальше проводить исследования, чтобы подтвердить свои выводы и обеспечить безопасное и эффективное использование этих алгоритмов.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Tatiana V. Vasilieva, Детский сад №134 комбинированного вида

воспитатель

Gordei V. Vasilev, Комсомольский-на-Амуре государственный университет

аспирант факультета компьютерных технологий

Литература

Список литературы

Дашкина А.Р. Решение задачи линейной регрессии в системе Mathcad / А. Р. Дашкина, Ю. Ю. Бобылев // Kazakhstan Science Journal. 2020. Т. 3, № 4(17). С. 27-36.

Исхакова Г.У. Некоторые аспекты развития интеллектуальных способностей детей младшего школьного возраста // Актуальные вопросы образования и науки. 2022. № 1(73). С. 71-74.

Лебедев А.И. Теоретический анализ эффективности принятия решений: дерево целей и дерево метрик // Гуманитарные, социально-экономические и общественные науки. 2023. № 2. С. 208-210. https://doi.org/10.23672/SAE.2023.82.65.001

Меркулова Т.В. Педагогическое сопровождение социального развития детей раннего возраста в дошкольной образовательной организации / Т. В. Меркулова, Е. Д. Герасимова // Вопросы дошкольной педагогики. 2023. № 1(60). С. 8-10.

Модель развития исследовательских компетенций младших школьников / Н. В. Ахаева, И. С. Стеблецова, А. Г. Ермакова, Л. А. Булыга // Инновации в образовании (Казахстан). 2022. № 2(60). С. 4-10.

Некрасова И.И. Возможности обучения основам искусственного интеллекта в современном школьном технологическом образовании / И. И. Некрасова, Б. А. Шрайнер, М. Н. Шматков // Школа и производство. 2023. № 1. С. 10-18. https://doi.org/10.47639/0037-4024_2023_1_10

Пернебай Б.А. Python | Регрессия дерева решений с использованием sklearn // Polish Journal of Science. 2021. № 38-1(38). С. 51-56.

Третьякова Е.Н. Особенности социального развития детей дошкольного возраста с тяжелым нарушением интеллекта, воспитывающихся в условиях детского дома-интерната в зависимости от уровня обучаемости // Вестник Коми государственного педагогического института. 2010. № 8. С. 143-151.

Уварова Л.А. Анализ влияния числа выпускников вузов на занятость населения посредством применения метода линейной парной регрессии / Л. А. Уварова, М. В. Клевина // Скиф. Вопросы студенческой науки. 2020. № 5-1(45). С. 23-28.

Царькова Е.Г. Прогнозирование успеваемости обучающихся на основе технологий машинного обучения // Безопасность. Управление. Искусственный интеллект. 2022. Т. 4, № 4(4). С. 8-15.

Чутко Л.С. Нарушения социального познания у детей / Л. С. Чутко, С. Ю. Сурушкина, Е. А. Яковенко // Журнал неврологии и психиатрии им. C.C. Корсакова. 2023. Т. 123, № 1. С. 34-40. https://doi.org/10.17116/jnevro202312301134

Association between screen time and developmental and behavioral problems among children in the United States: evidence from 2018 to 2020 NSCH / Q. Guangbo, H. Wenjing, M. Jia, W. Xingyue, S. Wenqi, L. Haixia, M. Shaodi, S. Chenyu, H. Christy, L. Scott, S. Yehuan // Journal of Psychiatric Research. 2023. Vol. 106. P. 140-149. https://doi.org/10.1016/j.jpsychires.2023.03.014

Cynthia L. The effect of parent education program for preschool children with developmental disabilities: A randomized controlled trial / L. Cynthia, C. Stanley, L. Tiney, Y. Sharon, T. Sandra // Research in Developmental Disabilities. 2016. Vol. 56. P. 18-28. https://doi.org/10.1016/j.ridd.2016.05.015

Chapter 4 – Genetic factor analysis for an early diagnosis of autism through machine learning / A. K. Chaitanya, J. J. Andrew, R. Maheswari, P. Vijaya // Data Science for Genomics. 2023. P. 69-84. https://doi.org/10.1016/B978-0-323-98352-5.00001-X

Deep learning classification of reading disability with regional brain volume features / J. Foram, Z. W. James, I. V. J. Kenneth, A. E. Mark // NeuroImage. 2023. Vol. 273. P. 120075. https://doi.org/10.1016/j.neuroimage.2023.120075

Early diagnosis of Alzheimer’s disease and mild cognitive impairment based on electroencephalography: From the perspective of event related potentials and deep learning / W. Chu, X. Tao, Y. Wen, L. Ting, H. Huan, Z. Min, Т. Ming // International Journal of Psychophysiology. 2022. Vol. 182. P. 182-189. https://doi.org/10.1016/j.ijpsycho.2022.10.010

Early diagnosis of Parkinson’s disease: A combined method using deep learning and neuro-fuzzy techniques / N. Mehrbakhsh, A. A. Rabab, Y. M. Y. Salma, H. T. Ha, A. Mohammad, A. Hamad, A. Sultan, A. Abdullah // Computational Biology and Chemistry. 2023. Vol. 102. P. 107788. https://doi.org/10.1016/j.compbiolchem.2022.107788

Machine learning in diagnosis and disability prediction of multiple sclerosis using optical coherence tomography / M. Alberto, M. Alejandro, C. José, O. Elvira, V. Elisa, G. Elena, P. D. P. Amaya // Computers in Biology and Medicine. 2021. Vol. 133. P. 104416. https://doi.org/10.1016/j.compbiomed.2021.104416

References

Dashkina A. R., Bobylev YU. YU. Kazakhstan Science Journal, 2020, vol. 3, no. 4(17), pp. 27-36.

Iskhakova G. U. Aktual’nye voprosy obrazovaniya i nauki, 2022, no. 1(73), pp. 71-74.

Lebedev A. I. Gumanitarnye, social’no-ekonomicheskie i obshchestvennye nauki, 2023, no. 2, pp. 208-210. https://doi.org/10.23672/SAE.2023.82.65.001

Merkulova T. V., Gerasimova E. D. Voprosy doshkol’noj pedagogiki, 2023, no. 1(60), pp. 8-10.

Ahaeva N. V., Steblecova I. S., Ermakova A. G., Bulyga L. A. Innovacii v obrazovanii (Kazahstan), 2022, no. 2(60), pp. 4-10.

Nekrasova I. I., SHrajner B. A., SHmatkov M. N. SHkola i proizvodstvo, 2023, no. 1, pp. 10-18. https://doi.org/10.47639/0037-4024_2023_1_10

Pernebaj B. A. Polish Journal of Science, 2021, no. 38-1(38), pp. 51-56.

Tret’yakova E. N. Vestnik Komi gosudarstvennogo pedagogicheskogo instituta, 2010, no. 8, pp. 143-151.

Uvarova L. A., Klevina M. V. Skif. Voprosy studencheskoj nauki, 2020, no. 5-1(45), pp. 23-28.

Car’kova E. G. Bezopasnost’. Upravlenie. Iskusstvennyj intellekt, 2022, vol. 4, no. 4(4), pp. 8-15.

CHutko L. S., SurushkinaS. YU., YAkovenko E. A. ZHurnal nevrologii i psihiatrii im. C.C. Korsakova, 2023, vol. 123, no. 1, pp. 34-40. https://doi.org/10.17116/jnevro202312301134

Guangbo Q., Wenjing H., Jia M., Xingyue W., Wenqi S., Haixia L., Shaodi M., Chenyu S., Christy H., Scott L., Yehuan S. Association between screen time and developmental and behavioral problems among children in the United States: evidence from 2018 to 2020 NSCH. Journal of Psychiatric Research, 2023, vol. 106, pp. 140-149. https://doi.org/10.1016/j.jpsychires.2023.03.014

Cynthia L., Stanley C., Tiney L., Sharon Y., Sandra T. The effect of parent education program for preschool children with developmental disabilities: A randomized controlled trial. Research in Developmental Disabilities, 2016, vol. 56, pp. 18-28. https://doi.org/10.1016/j.ridd.2016.05.015

Chaitanya A. K., Andrew J. J., Maheswari R., Vijaya P. Chapter 4 – Genetic factor analysis for an early diagnosis of autism through machine learning. Data Science for Genomics, 2023, pp. 69-84. https://doi.org/10.1016/B978-0-323-98352-5.00001-X

Foram J., James Z. W., Kenneth I. V. J., Mark A. E. Deep learning classification of reading disability with regional brain volume features. NeuroImage, 2023, Vol. 273, pp. 120075. https://doi.org/10.1016/j.neuroimage.2023.120075

Chu W., Tao X., Wen Y., Ting L., Huan H., Min Z., Ming Т. Early diagnosis of Alzheimer’s disease and mild cognitive impairment based on electroencephalography: From the perspective of event related potentials and deep learning. International Journal of Psychophysiology, 2022, vol. 182, pp. 182-189. https://doi.org/10.1016/j.ijpsycho.2022.10.010

Mehrbakhsh N., Rabab A. A., Salma Y. M. Y., Ha H. T., Mohammad A., Hamad A., Sultan A., Abdullah A. Early diagnosis of Parkinson’s disease: A combined method using deep learning and neuro-fuzzy techniques. Computational Biology and Chemistry, 2023, vol. 102, pp. 107788. https://doi.org/10.1016/j.compbiolchem.2022.107788

Alberto M., Alejandro M., Jose C., Elvira O., Elisa V., Elena G., Amaya P. D. P. Machine learning in diagnosis and disability prediction of multiple sclerosis using optical coherence tomography. Computers in Biology and Medicine, 2021, vol. 133, pp. 104416. https://doi.org/10.1016/j.compbiomed.2021.104416


Просмотров аннотации: 318
Загрузок PDF: 96
Опубликован
2023-06-30
Как цитировать
Vasilieva, T., & Vasilev, G. (2023). ЭФФЕКТИВНОЕ ПРИМЕНЕНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РАННЕЙ ДИАГНОСТИКИ НАРУШЕНИЙ ОБУЧАЕМОСТИ У ДЕТЕЙ ДОШКОЛЬНОГО ВОЗРАСТА. Russian Journal of Education and Psychology, 14(3), 30-44. https://doi.org/10.12731/2658-4034-2023-14-3-30-44
Раздел
Педагогические исследования