Введение

В современных условиях функционирования высшей школы как сложной организационной системы эффективность образовательного процесса напрямую зависит от качества информационного обеспечения управленческих решений. Существующие системы управления предметной подготовкой часто опираются на ретроспективные данные, что не позволяет осуществлять оперативное вмешательство в процесс обучения. Трансформация высшего образования в условиях цифровизации требует перехода от традиционных методов администрирования к интеллектуальному управлению на основе данных (Data-Driven Management) [1]. Внедрение методов интеллектуального анализа данных и технологий прогностического моделирования позволяет перейти к управлению в реальном времени [2, 3]. Особую сложность представляет управление предметной подготовкой студентов младших курсов, где закладывается фундамент профессиональных компетенций [4]. Сложность управления предметным обучением на данном этапе обусловлена тремя критическими факторами:

1. Высокая дисперсия входных характеристик (неоднородность системы). В отличие от старших курсов, «входной поток» (абитуриенты) обладает максимальным разбросом по уровню базовой подготовки, когнитивным способностям и мотивации. С точки зрения теории управления мы имеем дело с объектом, параметры которого на старте неизвестны, что исключает применение унифицированных (жестких) стратегий управления.

2. Нестационарность процесса (адаптационный период). Студенты младших курсов находятся в фазе перехода от школьной системы к вузовской. В этот период динамические характеристики объекта управления (скорость усвоения материала, реакция на нагрузку) постоянно меняются. Система находится в переходном режиме, где стандартные управляющие воздействия могут приводить к непредсказуемым отклонениям.

3. Критичность «запоздалого управления». В дисциплинах типа геометро-графической подготовки учебный процесс носит кумулятивный характер: пробел в первой теме делает невозможным выполнение последующих заданий. Традиционный цикл управления (сессионный контроль) здесь неэффективен, так как обратная связь поступает слишком поздно (оценка постфактум). Требуется упреждающее управление (feed-forward control).

Внедрение современных технологий Learning Analytics (LA) и Educational Data Mining (EDM) [5] позволяет не только фиксировать результаты, но и прогнозировать академические риски, обеспечивая своевременную коррекцию учебного процесса. Learning Analytics («Аналитика обучения») – это измерение, сбор, анализ и представление данных о студентах и контекстах, в которых происходит обучение, с целью понимания и оптимизации процессов подготовки, а также среды, в которой они протекают. Educational Data Mining поставляет предиктивные метрики для принятия решений, определяющие текущие параметры системы (уровень знаний, скорость освоения программы), требуемых для формирования управляющих воздействий [6].

В силу вышесказанного разработка систем адаптивного управления, интегрированных в цифровую среду предметного обучения, является актуальной научно-технической задачей, направленной на минимизацию рисков академической неуспеваемости и оптимизацию распределения ресурсов образовательной системы [7].

Цель исследования – изучение эффективных механизмов сопровождения предметной подготовки студентов младших курсов на примере геометро-графической подготовки в технических вузах.

Материалы и методы исследования

Для реализации поставленной цели используется комплексный научно-методический инструментарий, интегрирующий классические педагогические парадигмы с современными технологиями интеллектуального анализа данных и управления сложными системами [8].

Методология исследования формируется на пересечении системного и кибернетического подходов. Первый позволяет интерпретировать предметную геометро-графическую подготовку как целостный образовательный комплекс, включающий целевой, содержательный и контрольно-оценочный компоненты. Второй подход, в свою очередь, обосновывает применение адаптивных механизмов управления, где процесс обучения моделируется как система с активной обратной связью, подстраивающаяся под текущее состояние субъекта. В качестве прикладного вектора задается деятельностный подход, который конкретизирует механизмы формирования геометро-графических компетенций в условиях работы с высокотехнологичными инструментами инженерного проектирования.

Нормативно-методическую базу исследования составили федеральные образовательные стандарты и актуальные рабочие программы дисциплин «Начертательная геометрия» и «Инженерная и компьютерная графика». Эмпирический фундамент работы опирается на массивы цифрового следа обучающихся. Источниками данных являются логи активности в системах управления обучением Learning Management System (LMS Moodle), протоколы выполнения работ в средах автоматизированного проектирования (NanoCAD, КОМПАС-3D) и результаты промежуточного тестирования, формирующие эмпирическую базу для интеллектуального анализа [9].

Использование цифровых следов обучающихся в технологиях LA требует учета этических аспектов сбора, обработки и интерпретации образовательных данных. К числу основных рисков относятся нарушение конфиденциальности, недостаточная прозрачность целей и способов использования данных, возможность ошибочной категоризации обучающихся и алгоритмической предвзятости. В связи с этим аналитические показатели и оценки академического риска целесообразно рассматривать как информационную основу для поддержки управленческих решений, а не как самостоятельное основание для автоматического принятия значимых решений в отношении обучающегося [10].

Поскольку исследование проводится в рамках образовательного процесса, в работе применяются классические педагогические методы исследования: обзор и системный анализ научно-педагогической и технической литературы; педагогическое наблюдение, анкетирование и тестирование студентов младших курсов. Финальным этапом проведено наблюдательное сравнительное исследование двух последовательных учебных периодов.

Также применен многоступенчатый комплекс методов и специфических интеллектуальных инструментов [11, 8]:

– Метод проектирования образовательной траектории: разработка интеллектуальной дорожной карты предметной подготовки. Данный механизм позволяет визуализировать логику освоения дисциплины и динамически корректировать темп прохождения модулей на основе предиктивной аналитики, учитывающей базовый уровень и текущие достижения студента.

– Методы комплексного мониторинга: внедрение системы контроля посещаемости с интегрированным анализом понимания учебного материала. В отличие от формальной фиксации присутствия, данный механизм использует методы оперативного тестирования и анализа активности в цифровой среде, что позволяет сопоставлять факт нахождения студента на занятии с уровнем усвоения конкретных дидактических единиц.

– Методы визуализации и когнитивной графики: автоматизированный сбор метрик в интерактивные дашборды. Интеллектуальные панели управления аккумулируют данные о скорости выполнения графических заданий, количестве допущенных ошибок и времени работы в системе автоматизированного проектирования (САПР/ англ. Computer-Aided Design, CAD). Это обеспечивает преподавателю возможность оперативного вмешательства (тьюторской поддержки), а студенту – наглядную рефлексию собственных дефицитов.

– Методы интеллектуального анализа (Data Mining): использование алгоритмов классификации и кластеризации для сегментации студентов по группам риска, а также методов прогнозной аналитики для выявления корреляции между посещаемостью, активностью в дорожной карте и итоговой успеваемостью.

В функциональном описании модели используется процессное представление предметной подготовки как совокупности взаимосвязанных этапов с определенными входами, выходами, контрольными точками и распределением ролей между субъектами образовательного взаимодействия (преподавателем, тьютором и обучающимся). Применимость процессного подхода к образовательной деятельности вуза рассмотрена Н. Н. Матушкиным, С. И. Пахомовым и И. Д. Столбовой [12]. При этом базовыми методологическими основаниями настоящего исследования остаются системный и кибернетический подходы. Сочетание процессного представления с интеллектуальными механизмами обеспечивает реализацию принципа адаптивного сопровождения, предполагающего оперативное подключение корректирующих инструментов на критических этапах освоения дисциплины.

Практическая реализация указанной методологической позиции обеспечивается следующими механизмами:

Процессная декомпозиция учебного курса. Содержание геометро-графической подготовки структурируется в виде последовательности дидактических этапов. Для каждого этапа задаются контрольные точки и пороговые значения диагностических индикаторов; при отклонении текущих показателей от нормативных значений система инициирует соответствующее управляющее воздействие.

Событийно-обусловленное (триггерное) управление. На основе непрерывного сбора и анализа образовательных данных формируется алгоритм автоматизированного реагирования. В случае фиксации аномального снижения динамики освоения учебной траектории или недостаточного уровня усвоения содержания (по результатам микротестов) активируется адресный механизм поддержки: обучающемуся предоставляются дифференцированные учебные материалы, а преподавателю направляется уведомление о целесообразности проведения индивидуальной консультативной коррекции.

Динамическая маршрутизация. В зависимости от текущих показателей успеваемости и вовлеченности обучающихся механизм сопровождения динамически адаптируется – происходит переключение между различными сценариями поддержки на основе адаптивного подхода. Это позволяет избежать накопления существенных учебных дефицитов, типичных для младших курсов, и трансформировать линейное обучение в адаптивный управляемый процесс.

Сбор и агрегация метрик в реальном времени. Процессная модель связывает посещаемость, активность в САПР и результаты тестирований в единый поток данных. Это дает возможность не просто констатировать факт неуспеваемости, а диагностировать «узкие места» в процессе передачи знаний и оперативно корректировать методику преподавания конкретных тем.

Такая организация учебного процесса превращает предметную подготовку из статичного набора лекций в гибкую систему интеллектуального сопровождения, где каждый инструмент активируется ровно в тот момент, когда это требуется для поддержания заданной траектории развития студента [8, 13]. Сочетание данных методов и материалов позволяет обеспечить объективность выводов и создать масштабируемую модель управления, применимую для повышения качества фундаментальной подготовки будущих инженеров.

Результаты исследования и их обсуждение

Электронная информационно-образовательная среда

Сложность управления предметной подготовкой на младших курсах обусловлена необходимостью идентификации нормативных параметров результатов обучения в реальном времени. Особую проблему создает то, что младшие курсы представляют собой масштабный и крайне неоднородный поток студентов с существенно различающимся уровнем начальной подготовки. В условиях высокой размерности факторов (от баллов ЕГЭ до активности в электронной информационно-образовательной среде – ЭИОС) и нестационарности психолого-педагогических характеристик и выраженной гетерогенности аудитории классические методы административного мониторинга не обеспечивают необходимой точности прогноза. Это требует разработки интеллектуальных алгоритмов, способных выявлять скрытые закономерности в поведении студенческого сообщества на ранних этапах и формировать корректирующие воздействия до момента наступления критических состояний (отчисления или академической неуспеваемости).

Существующие ЭИОС вузов в основном выполняют функцию хранения контента и фиксации итоговых оценок, однако их потенциал как источника данных для предиктивного анализа используется не в полной мере. Создание интеллектуальной надстройки над ЭИОС позволяет трансформировать пассивное накопление информации в активный контур управления качеством предметной подготовки [14].

Чаще всего в качестве инструмента принятия решений при управлении процессом обучения ЭИОС выполняет роль измерительного комплекса, который поставляет «сырые» данные для интеллектуального анализа. К функциональным возможностям ЭИОС в системе интеллектуального управления, например геометро-графической подготовки студентов, относятся:

1. Генерация «цифровых следов» (Digital Footprints). ЭИОС фиксирует каждое действие студента (время входа, длительность просмотра материалов, количество попыток в тестах, скорость выполнения графических заданий). В терминах управления – это логирование состояния системы с высокой дискретностью [15].

2. ЭИОС как канал обратной связи. Традиционное управление (через деканат) имеет огромную инерцию. ЭИОС позволяет реализовать малоинерционную обратную связь: студент мгновенно получает результат теста, а система управления – сигнал об отклонении от заданной траектории.

3. Интеграционная шина: ЭИОС выступает как база, к которой «подключается» аналитический модуль. Система должна «забирать» данные из ЭИОС (через API или SQL-запросы) и «отдавать» обратно готовые решения (например, уведомления преподавателю или рекомендации студенту).

Например, ЭИОС позволяет отследить специфические параметры для геометро-графической подготовки, такие как время работы над чертежом (если используются облачные САПР-системы), количество скачиваний методических указаний перед выполнением графической работы, корреляция между временем изучения теории в ЭИОС и качеством финального чертежа.

Таким образом, ЭИОС трансформируется из пассивного хранилища данных в динамический измерительный канал в структуре организационной системы предметной подготовки. Агрегирование указанных параметров позволяет сформировать многомерный вектор состояния объекта управления (студента или учебной группы). Наличие такого детализированного потока данных в реальном времени создает необходимую базу для применения вышеуказанных технологий LA и EDM. Указанный подход обеспечивает смену парадигмы оценки: от экспертно-интуитивных суждений к формализованной оценке состояния и академического риска освоения дисциплины. Итогом такой интеграции является создание замкнутого контура управления, в котором результаты интеллектуального анализа используются для формирования рекомендаций по управляющим воздействиям. Они варьируются от точечной адаптации образовательного контента до активации научно обоснованных сценариев оптимизации всего учебного процесса.

Процессная модель замкнутого цикла адаптивного управления предметной подготовкой

Практическая реализация процесса предметного обучения обусловлена необходимостью применения интеллектуальных адаптивных инструментов. Функциональная архитектура должна строго соответствовать предусмотренной концептуальной модели управления и учитывать особенности контингента студентов младших курсов обучения. На рис. 1 представлена процессная модель адаптивного управления предметным обучением, разработанная на базе ранее предложенного подхода [12] и существенно переработанная в ходе настоящего исследования. В связи с внесенными изменениями модель рассматривается как авторская разработка, имеющая спиралевидный характер и замкнутые этапы освоения программы с опорой на ключевые интеллектуальные инструменты, обеспечивающие эффективность образовательного процесса и качественное освоение предметной области. Результаты текущего мониторинга и оперативной диагностики используются для актуализации состояния обучающегося и корректировки дорожной карты. После реализации выбранного воздействия выполняется повторное измерение показателей, что обеспечивает замыкание контура обратной связи.

Для студентов младших курсов, которые часто сталкиваются с проблемой адаптации и дефицитом навыков самоорганизации [16], адаптивные инструменты должны выполнять следующие ключевые функции:

1. Диагностика и адаптация: автоматическое определение уровня знаний на входе и в текущий момент времени с формированием адаптивного маршрута освоения дисциплины.

2. Непрерывная обратная связь с оперативным разбором ошибок студента и предоставлением персонализированной информационной поддержки.

Рис. 1. Процессная модель замкнутого цикла управления предметной подготовкой Примечание: составлен авторами по результатам данного исследования

Предлагаемые механизмы: дорожная карта предметной подготовки; контроль посещаемости учебных занятий с оперативным анализом понимания учебного материала и постоянный сбор информации по текущим нормативным показателям на основе дашбордов – согласуются с архитектурой системы предиктивного управления обучением [17]. Интерактивная дорожная карта является динамическим навигатором по учебному контенту, она визуализирует связи между темами и показывает студенту его прогресс в реальном времени. Автоматизированный контроль посещаемости c Flash-диагностикой вместо простой переклички предлагает входной или выходной мини-тест (2–3 вопроса) через QR-код. Короткий визуальный тест (30–60 с) в рамках геометро-графической подготовки может предложить типовые задачи, например:

− Сопоставить 3D-модель с ее проекцией.

− Найти недостающую линию на чертеже.

− Определить тип поверхности по ее определителю.

Аналитика позволяет мгновенно анализировать ответы, выявить затруднения в освоении учебного материала конкретного студента, а также на текущий момент аналитический модуль формирует для преподавателя «тепловую карту» понимания аудитории в целом. Если 70 % группы не поняли концепт, преподаватель может скорректировать лекцию прямо на месте.

Управленческий дашборд агрегирует данные для кафедры, выявляет зоны академических рисков студентов, у которых сочетание пропусков и низких баллов за экспресс-контроль сигнализирует о высоком риске неуспеваемости. Такой замкнутый цикл управления (от планирования до коррекции) превращает формализованную отчетность в инструмент оперативного влияния на качество предметного обучения.

Концептуальная модель управления предметным обучением

Функционирование современной образовательной среды как сложной организационной системы требует перехода к адаптивному управлению, способному гибко реагировать на динамику изменения состояния объекта. Адаптивность в данном контексте подразумевает наличие механизмов саморегулирования, где управляющие воздействия корректируются на основе непрерывного анализа рассогласования между текущими и целевыми показателями подготовки [18]. Адаптивная структура управления – это гибкая система организации, способная быстро приспосабливаться к изменениям внешней среды за счет отсутствия строгой регламентации, децентрализации принятия решений и активных коммуникаций [19].

На рис. 2 приведена адаптивная структура системы управления предметной подготовкой. Во внешней структуре управления учебно-методическое управление (УМУ) вуза и выпускающие кафедры с учетом мнения работодателей определяют целевые установки, составляют учебные планы образовательной программы подготовки специалистов определенного направления и вырабатывают основные нормативы предметного обучения, определяющие требуемое качество подготовки будущих выпускников. Центральной частью схемы является блок инструментально-методической поддержки предметной подготовки, обеспечивающий актуальное воздействие на обучаемых в определенный момент времени и в соответствии с учебной программой дисциплины.

Взаимодействие между блоками иллюстрируется направлениями передачи управляющей и измерительной информации. Целевые установки во внешнем контуре преобразуются в предметные нормативы, которые затем поступают во внутренний контур управления. Внутренний контур, в свою очередь, формирует учебно-методическое воздействие на образовательную среду.

Блок мониторинга собирает фактические образовательные показатели и передает их в адаптер. Адаптер анализирует рассогласование между нормативным и фактическим состояниями и на этой основе формирует рекомендации по выбору управляющего воздействия. При систематических отклонениях данные также используются для корректировки предметных нормативов и совершенствования организации учебного процесса.

При реализации учебного процесса осуществляется сбор метрических характеристик, данные по которым аккумулируются во внешнем блоке мониторинга. Текущее состояние освоения предметной подготовки в виде очередного учебного результата описывается параметром Yfact, который сравнивается с требуемым эталонным результатом Ynorm. В случае недопустимого отклонения в адаптере системы предлагается определенное управляющее воздействие U, предусматривающее дополнительные коррекционные действия по освоению учебного материала.

По мере необходимости при систематических отклонениях с учетом собранной информации происходит корректировка программы предметной подготовки в целом и инструментария обучения в частности.

Рис. 2. Общая структура системы адаптивного управления предметной подготовкой Примечание: составлен авторами по результатам данного исследования

Таким образом, внешний контур управления (УМУ, кафедры, работодатели) – задает установки (setpoints) системы. Внутренний контур (блок поддержки) реализует оперативное управление. Обратная связь (мониторинг) обеспечивает идентификацию параметров и позволяет системе реализовать принцип адаптации (самонастройки) под конкретного студента и студенческий поток в целом.

Формализуем общепедагогическое описание системы адаптивного управления в виде математической задачи. Математически задачу адаптивного управления предметной подготовкой можно представить как задачу минимизации отклонения текущего состояния системы от заданных нормативных показателей.

Пусть Ynorm(t) – вектор нормативных значений (целевых компетенций и результатов обучения), установленных учебным планом и требованиями работодателей на момент времени t. Текущее состояние подготовки конкретного студента или группы описывается вектором фактических метрик Yfact(t), полученных из блока мониторинга ЭИОС. Отметим, что под t понимается дискретное время с шагом дискретизации в одну неделю, то есть t = 0,1,2,3,…,18 в соответствии с количеством учебных недель в семестре.

Тогда цель управления заключается в нахождении такого вектора управляющих воздействий U(t) (корректировка траектории, изменение интенсивности учебного материала, дополнительные консультации), при котором функционал ошибки J стремится к минимуму:

(1)

при соблюдении ресурсных ограничений:

G(U) ≤ C, (2)

где T – период обучения (семестр);

G(U) – затраты ресурсов (временных, кадровых, вычислительных);

C – предельно допустимый объем ресурсов организационной системы.

Здесь в качестве ресурсных ограничений выступают: количество попыток контрольного тестирования, количество консультаций преподавателя, количество практических заданий и лабораторных работ, время работы в САПР-системе и т. д.

В данной модели блок интеллектуального анализа данных (LA) выступает в роли идентификатора, оценивающего текущее значение Yfact, а аналитический дашборд [20] визуализирует величину рассогласования

ΔY = Ynorm – Yfact(t,U),

предоставляя лицу, принимающему решения, основу для выбора оптимальной стратегии U(t).

В рамках настоящего исследования состояние обучающегося представляется вектором образовательных показателей Ynorm(t) и Yfact(t,U) имеет вид

,

где y1(t) – уровень освоения учебного материала (балл к моменту t);

y2(t) – посещаемость занятий (% за неделю);

y3(t) – активность в электронной образовательной среде (минут за неделю);

y4(t) – интенсивность работы в САПР-системах (минут за неделю);

y5(t) – результаты текущего контроля (балл на текущем шаге).

Продолжительность активности в LMS и САПР учитывается в минутах за установленное окно наблюдения и используется как косвенный показатель интенсивности учебной деятельности в освоении графических инструментов.

Поскольку показатели имеют различную размерность, осуществляется их приведение к единой безразмерной шкале:

(3)

где yi(t) – текущее значение показателей;

yimin, yimax – минимальное и максимальное значения показателя.

После нормирования все параметры принимают значения

. (4)

Для интегральной оценки состояния обучающегося вводится показатель успешности:

, (5)

где wi – заданные веса, wi > 0;

Значения весовых коэффициентов сформированы авторами на основе содержательной значимости показателей для геометро-графической подготовки и обсуждены экспертной группой из 12 преподавателей-практиков, ведущих дисциплины геометро-графического цикла. Коэффициенты используются в расчетных сценариях и требуют дальнейшей эмпирической валидации. Указанные коэффициенты представлены в табл. 1.

Таблица 1

Веса показателей учебных достижений

Примечание: составлена авторами на основе полученных данных в ходе исследования.

Для формирования управляющего воздействия недостаточно учитывать только текущее состояние обучающегося. В системе адаптивного управления дополнительно учитывается направление изменения состояния во времени. Поскольку наблюдение осуществляется в дискретные моменты времени, для каждого обучающегося на каждом шаге рассчитывается текущий вектор показателей. Динамика состояния определяется сравнением текущего состояния с состоянием на предыдущем шаге и характеризует направление изменения состояния обучающегося. Положительная динамика соответствует приближению фактических показателей к нормативным значениям, отрицательная – увеличению рассогласования, а отсутствие существенного изменения характеризует устойчивое состояние.

Таким образом, формирование управляющего воздействия осуществляется с учетом не только текущего уровня предметной подготовки, но и динамики его изменения. Это позволяет различать обучающихся с близкими текущими значениями показателей, но различными тенденциями освоения дисциплины. При равном текущем уровне подготовки приоритет корректирующего воздействия повышается для обучающегося с отрицательной динамикой и может быть снижен при устойчивой положительной динамике.

В качестве управляющих воздействий в работе используется следующий вектор:

(6)

где u1(t) – назначить консультацию (1 – да; 0 – нет);

u2(t) – назначение дополнительного учебного материала (1 – да; 0 – нет);

u3(t) – дополнительное автоматическое тестирование (1 – да; 0 – нет);

u4(t) – назначить корректирующее практическое задание, в том числе САПР (1 – да, 0 – нет);

u5(t) – уведомление преподавателя о неуспеваемости студента (1 – да; 0 – нет).

Состав допустимых воздействий сформирован с учетом апробированных в LA подходов к адресным педагогическим вмешательствам, включающих консультационную поддержку, предоставление персонализированных образовательных ресурсов, дополнительные диагностические и практические действия [21].

Информирование преподавателя о выявленном академическом риске рассматривается отдельно как информационное воздействие на лицо, принимающее решение. Для этого вводится индикатор:

(7)

где ui(t) = 1 – система реагирует необходимым управленческим воздействием;

ui(t) = 0 – система сохраняет стандартный режим.

В рамках управления образовательным процессом время t считается дискретным с шагом Δt = 1 неделя. Каждую неделю обновляются текущие показатели каждого студента и реализуются управляющие воздействия с помощью заданного набора логических правил.

Таблица 2

Расчетные сценарии формирования управляющих воздействий в зависимости от состояния обучающегося

Примечание: составлена авторами на основе полученных данных в ходе исследования.

Предлагаемая система реализует событийно-обусловленное управление (табл. 2), где приводятся варианты корректирующих воздействий по результатам текущего контроля в зависимости от ситуации, сложившейся у студента в течение первых восьми недель предметного обучения.

Следует отметить, что управление здесь ведется по отклонению от нормативных показателей текущих результатов каждого студента. На каждом шаге дискретизации по времени выбирается такой вектор управления U(t), t = 1,…,T при котором происходит снижение отклонения по критерию (1), значение которого к окончанию семестра должно достигать своего минимума при выполнении студентом рекомендаций на достигнутом множестве ресурсных ограничений.

Представленные расчетные сценарии иллюстрируют логику выбора управляющих воздействий при различных состояниях обучающегося и не являются результатами эмпирической апробации модели. На основе интегральной оценки предметной подготовки, формируемой по совокупности образовательных показателей, система автоматически идентифицирует уровень академического риска и выбирает соответствующее управляющее воздействие: от сохранения стандартной образовательной траектории для успешно обучающихся студентов до назначения индивидуального сопровождения и корректирующих мероприятий для студентов группы риска. Таким образом, представленные сценарии демонстрируют формальную работоспособность правил выбора управляющих воздействий. Проверка их влияния на образовательные результаты выполняется отдельно на эмпирических данных.

Результаты апробации

Апробация предложенной модели проводилась в 2024–2026 гг. в рамках реализации дисциплин геометро-графического цикла «Инженерная геометрия и компьютерная графика» на ряде факультетов при участии 52 учебных групп и 12 профильных преподавателей. Вмешательство осуществлялось в установленные сроки в рамках учебного процесса, при этом процедура аттестации оставалась унифицированной для всех групп. Распределение студентов по группам не осуществлялось исследователем, поэтому анализировались естественно сформированные учебные группы. В исследовании задействован контингент студентов дневной формы обучения: в 2024–2025 учебном году – 1368 чел., в 2025–2026 учебном году – 1204 чел. Критерии включения предполагали освоение указанных дисциплин в рамках основной образовательной программы. Студенты с отсутствующими итоговыми данными включались как имеющие задолженность. В качестве ключевого критерия выступала доля студентов, успешно освоивших дисциплину без академической задолженности; сведения по данному показателю представлены в табл. 3.

Таблица 3

Сводная таблица результатов успеваемости, 2024–2026 учебные годы

Примечание: составлена авторами на основе полученных данных в ходе исследования. Доли успешно освоивших дисциплину рассчитаны как отношение числа студентов, освоивших дисциплину без академической задолженности, к общей численности обучающихся соответствующего факультета и учебного года. Изменение показателя Δ представлено в процентных пунктах как разность долей в 2025–2026 и 2024–2025 учебных годах. 95 %-е доверительные интервалы для разности двух независимых долей рассчитаны методом Newcombe. Статистическая значимость различий оценивалась с использованием двустороннего z-критерия для двух независимых долей; статистически значимыми считались различия при p < 0,05. Сводная доля по кафедре рассчитана как отношение суммарного числа успешно освоивших дисциплину ко всей численности студентов, а не как среднее арифметическое факультетских процентов.

В 2024–2025 учебном году дисциплину без академической задолженности освоили 992 из 1368 студентов (72,51 %), в 2025–2026 учебном году – 916 из 1204 студентов (76,08 %). Таким образом, абсолютное увеличение доли успешно освоивших дисциплину составило 3,57 п. п. 95 %-й доверительный интервал разности долей составил от 0,18 до 6,93 п. п.; различие статистически значимо при двустороннем сравнении двух независимых долей p = 0,039. Наибольший абсолютный прирост отмечен на механико-технологическом факультете – 10,22 п. п., однако на уровне отдельного факультета различие не достигло принятого уровня статистической значимости p = 0,057. С учетом наблюдательного дизайна исследования выявленные различия характеризуют динамику показателей между двумя последовательными учебными периодами и сами по себе не доказывают причинный эффект внедренных механизмов интеллектуального управления.

Заключение

В результате проведенного исследования разработана концептуальная модель интеллектуального управления предметной подготовкой студентов младших курсов, рассматривающая образовательный процесс как организационную систему с непрерывной обратной связью и адаптивным механизмом принятия управленческих решений. Интеграция предложенных механизмов: адаптивной дорожной карты, систем экспресс-контроля (Flash-диагностики) и аналитических дашбордов – позволяет трансформировать пассивное накопление знаний в управляемый и прозрачный процесс, что подтверждает необходимость перехода к замкнутому циклу интеллектуального управления. В отличие от традиционного подхода, основанного на фиксации итоговых результатов обучения, предложенная модель ориентирована на непрерывный мониторинг текущего состояния обучающихся, оценку и раннее выявление академических рисков, и оперативную корректировку образовательного процесса.

Предложена модель представления состояния обучающегося в виде многомерного вектора образовательных показателей, включающего характеристики успеваемости, посещаемости, активности в электронной информационно-образовательной среде, результатов работы в системах автоматизированного проектирования и текущего контроля знаний. Для обеспечения сопоставимости разнородных образовательных данных разработана процедура их нормирования и вычисления интегрального показателя предметной подготовки, характеризующего текущее состояние объекта управления.

Разработанный математический аппарат дополнен системой событийно-обусловленного управления, реализующей автоматическое формирование управляющих воздействий на основе анализа текущего состояния студента. Использование триггерных правил позволяет своевременно выявлять студентов группы риска, формировать индивидуальные рекомендации, назначать корректирующие мероприятия и адаптировать образовательную траекторию без ожидания результатов промежуточной аттестации. Рассмотренные типовые сценарии подтвердили возможность применения предложенной модели для поддержки принятия управленческих решений в условиях цифровой образовательной среды.

Предложенный алгоритм формирует основу для персонализированной обратной связи студенту и информационной поддержки преподавателя; оценка влияния данных механизмов на мотивационные и психолого-педагогические характеристики требует отдельного исследования.

Практическая апробация разработанной модели проводилась при реализации дисциплин геометро-графического цикла кафедры «Дизайн, графика и начертательная геометрия». В образовательный процесс были последовательно внедрены адаптивная дорожная карта предметной подготовки, система Flash-диагностики, механизмы мониторинга цифровых следов студентов, аналитические дашборды и алгоритмы раннего выявления академических рисков. Анализ результатов показал положительную динамику качества предметной подготовки студентов различных факультетов. Сводная доля студентов, освоивших дисциплину без академической задолженности, увеличилась с 72,51 до 76,08 % по итогам экзаменационных сессий, при этом наибольший абсолютный прирост доли студентов, освоивших дисциплину без академической задолженности, наблюдался на механико-технологическом факультете и составил 10,22 п. п.; при этом различие на уровне отдельного факультета не достигло принятого уровня статистической значимости (p = 0,057).

Полученные результаты наблюдения предложенной модели демонстрируют возможность ее использования в качестве инструмента оперативного управления предметной подготовкой студентов технического университета. Разработанный подход ориентирован на своевременное выявление учебных дефицитов и может использоваться для поддержки решений, направленных на снижение академических рисков.

Внедрение данных механизмов формирует цифровую среду, в которой посещаемость и успеваемость анализируются как взаимосвязанные показатели состояния обучающихся. Дальнейшее развитие модели видится в глубокой интеграции автоматизированной диагностики с профессиональным инженерным ПО (САПР-системами) для автоматизированного анализа графических ошибок в реальном времени.