Погодин И. М.

Статья посвящена анализу и оценке роли данных и их интеграции в распределенной информационной банковской сфере в ходе решения задач формирования баз данных, поддержки принятия решений на основе интеллектуального анализа данных. Цель работы: оценка возможностей моделей представления данных в распределенных информационных средах и базах данных на основе интеллектуального анализа данных с привлечением нейро-сетевых инструментов для поддержки принятия решений в банковской сфере. Методы: компаративный анализ научных публикаций в области интеграции больших языковых моделей, включая возможности интеллектуальных агентов и многоагентного представления динамики информационного взаимодействия. Результаты: предложен концептуальный подход применения интеллектуальных агентов в ходе формирования и интеграции данных в банковской сфере для повышения обоснованности принимаемых решений, за счет повышения качества информационного взаимодействия на основе ролевого представления интеллектуальных агентов в ходе обучения доменно-специализированных языковых моделей.

Целью исследования является концептуализация открытой информационной среды на основе интеграции функциональной и технологической стандартизации в контексте инновационного развития общества в парадигме цифровой трансформации. Разнотипность, масштабность и необходимость использования цифровых данных является причиной разработки требований к представлению данных, к их доступности, полноте, достоверности, открытости и другим факторам, отражающим как предметную область исследования, так и источники получения данных в информационной среде.

В статье представлена разработка аналитической системы больших данных (АСБД) на основе искусственного интеллекта для раннего выявления иностранных студентов из группы риска академической неуспеваемости. Система использует двухэтапный итеративный подход, включающий методы машинного обучения (ML) и глубокого обучения (DL) для анализа данных о взаимодействии студентов с системой управления обучением (LMS). На первом этапе применяются алгоритмы машинного обучения (J48, Random Forest, OneR, DecisionStump, NBTree) с использованием ансамблевой техники, на втором - алгоритмы глубокого обучения (LSTM, MLP, Sequential Model) после балансировки данных. Модель учитывает различные факторы, включая языковую подготовку, культурную адаптацию и академическую успеваемость студентов. Разработанная система позволяет своевременно выявлять проблемные ситуации в обучении иностранных студентов и предоставлять целенаправленную поддержку для повышения эффективности их образовательного процесса.

В статье представлено исследование, цель которого заключается в изучении эффективности применения аналитики больших данных для мониторинга успеваемости и социально-экономической адаптации иностранных студентов, изучающих русский язык в онлайн-формате. Методы исследования включают использование регрессионного анализа на основе данных 130 студентов для выявления ключевых факторов, влияющих на результаты обучения и социально-экономической адаптации. Исследование определило, что наиболее значимыми факторами являются частота входа в систему и результаты онлайн-тестирования, в то время как продолжительность онлайн-обучения и субъективные оценки преподавателей оказались менее существенными. Разработанная модель продемонстрировала 85%-ную точность в прогнозировании успешности адаптации студентов. Результаты исследования подтверждают эффективность использования аналитики больших данных в онлайн-образовании и предлагают практические рекомендации по улучшению качества обучения русскому языку и адаптации иностранных студентов.