Факторный, регрессионный и корреляционный анализы для оценки использования нейронных сетей в учебном процессе университета
Another Title
Factorial, regression and correlation analyses to evaluate the use of neural networks in the university educational process
Bibliographic entry
Вишняков, В. А. Факторный, регрессионный и корреляционный анализы для оценки использования нейронных сетей в учебном процессе университета = Factorial, regression and correlation analyses to evaluate the use of neural networks in the university educational process / В. А. Вишняков, Е. И. Полоско // Системный анализ и прикладная информатика. – 2025. – № 4. – С. 56-63.
Abstract
Предметом исследований является оценка использования нейронных сетей в учебном процессе университета. Цель статьи ‒ оценка использования готовых нейронных сетей в организации учебного процесса с применением факторного, регрессионного и корреляционного анализов. Рассмотрены основные аспекты применения нейронных сетей, их влияние на успеваемость студентов и эффективность образовательных программ. Использование готовых нейронных сетей в учебном процессе университета имеет значительный потенциал для повышения эффективности обучения. Ключевыми факторами успешного внедрения являются техническая оснащенность университета, квалификация преподавателей и доступность готовых решений. Регрессионные модели подтвердили положительное влияние нейронных сетей на успеваемость студентов, а корреляционный анализ выявил сильную связь между использованием нейронных сетей и мотивацией студентов. Рекомендуется увеличить количество часов, выделенных на изучение нейронных сетей; проводить регулярные тренинги для преподавателей.
Abstract in another language
The subject of research is to evaluate the use of neural networks in the university’s educational process. The purpose of the article is to evaluate the use of ready‒made neural networks in the organization of the educational process using factorial, regression and correlation analyses. The main aspects of the use of neural networks, their impact on student academic performance and the effectiveness of educational programs are considered. The use of ready-made neural networks in the university’s educational process has significant potential to improve learning efficiency. The key factors for successful implementation are the technical equipment of the university, the qualifications of teachers and the availability of ready-made solutions. Regression models have confirmed the positive impact of neural networks on student academic performance, and correlation analysis has revealed a strong link between their use and student motivation. It is recommended to: increase the number of hours allocated to the study of neural networks; conduct regular trainings for teachers.
View/
Collections
- № 4[9]