ГОСТ Р 59895-2021 Технологии искусственного интеллекта в образовании. Общие положения и терминология

ГОСТ Р 59895-2021

НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ОБРАЗОВАНИИ

Общие положения и терминология

Artificial intelligence technologies in education. General provisions and terminology

ОКС 35.240.90

Дата введения 2022-03-01

Предисловие

1 РАЗРАБОТАН Федеральным государственным автономным образовательным учреждением высшего образования "Национальный исследовательский университет "Высшая школа экономики" (НИУ ВШЭ)

2 ВНЕСЕН Техническим комитетом по стандартизации ТК 164 "Искусственный интеллект"

3 УТВЕРЖДЕН И ВВЕДЕН В ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 26 ноября 2021 г. N 1617-ст

4 ВВЕДЕН ВПЕРВЫЕ

Правила применения настоящего стандарта установлены в статье 26 Федерального закона от 29 июня 2015 г. N 162-ФЗ "О стандартизации в Российской Федерации". Информация об изменениях к настоящему стандарту публикуется в ежегодном (по состоянию на 1 января текущего года) информационном указателе "Национальные стандарты", а официальный текст изменений и поправок - в ежемесячном информационном указателе "Национальные стандарты". В случае пересмотра (замены) или отмены настоящего стандарта соответствующее уведомление будет опубликовано в ближайшем выпуске ежемесячного информационного указателя "Национальные стандарты". Соответствующая информация, уведомление и тексты размещаются также в информационной системе общего пользования - на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)

1 Область применения

Настоящий стандарт распространяется на технологии искусственного интеллекта в образовании и устанавливает общие положения и терминологию в этой области.

2 Термины и определения

2.1 Термины, относящиеся к искусственному интеллекту

2.1.1

2.1.2

2.1.3

2.1.4

2.1.5

2.1.6

2.1.7 машинное обучение (machine learning): Процесс автоматического обучения и совершенствования поведения системы искусственного интеллекта на основе обработки массива обучающих данных без явного программирования.

2.1.8 обезличенные данные (depersonalized data): Данные, которые в результате обезличивания не позволяют однозначно определить их принадлежность к определенному субъекту персональных данных, в том числе с использованием дополнительной информации.

2.1.9 обработка естественного языка (natural language processing): Анализ текста и речи на естественном языке, а также языка жестов (знаков) для получения информации, подлежащей обработке средствами вычислительной техники.

2.1.10

2.1.11

2.1.12

2.2 Термины, относящиеся к образовательному процессу

2.2.1 кодификатор элементов содержания: Структурированный в виде иерархического дерева перечень основных элементов содержания учебного курса.

2.2.2

2.2.3

2.2.4

2.2.5

2.2.6 онлайн-прокторинг: Мониторинг прохождения дистанционного испытания при помощи аудиовизуальных программно-аппаратных средств в течение всего времени прохождения испытания с предоставлением отчетных материалов и проведением процесса идентификации обучающегося.

2.2.7

2.2.8 рукописная работа: Письменная работа, выполненная обучаемым от руки.

2.2.9 учебно-методические материалы: Нормативная документация, учебные и методические издания, средства обучения и контроля, необходимые для осуществления образовательной деятельности и реализации основных и дополнительных образовательных программ.

2.2.10

2.2.11

2.2.12 учебный элемент; (УЭ): Логически завершенная часть учебных материалов.

Примечания

1 При анализе структуры учебный элемент является неделимой частью учебных материалов в данном конкретном случае. Неделимость УЭ - понятие условное и в другом случае при более подробном рассмотрении вопроса может детализироваться.

2 В зависимости от конкретного содержания учебных материалов в качестве учебного элемента могут быть:

- учебная информация: определение понятия, факт, явление, процесс, закономерность, принцип, способ действия, характеристика объекта, вывод или следствие;

- задания различных типов.

2.2.13 образовательный модуль: Совокупность учебных элементов, достаточных для организации и прохождения обучения по отдельной теме (занятию) дисциплины (курса).

Примечание - Результатом прохождения образовательного модуля является получение обучающимся определенных знаний, умений, навыков или компетенций.

2.2.14 адаптированная образовательная программа: Образовательная программа, адаптированная для обучения лиц с ограниченными возможностями здоровья с учетом особенностей их психофизического развития, индивидуальных возможностей и при необходимости обеспечивающая коррекцию нарушений развития и социальную адаптацию указанных лиц.

2.3 Термины, связанные с использованием технологий искусственного интеллекта в образовании

2.3.1 адаптивное обучение: Разновидность обучения, при котором для обучающегося формируется индивидуальная траектория обучения, опирающаяся на непрерывный анализ его персональных учебно значимых характеристик (уровень подготовки, индивидуальные особенности, особенности использования различных форматов учебно-методических материалов, уровень знаний и т.п.).

2.3.2 индивидуальная траектория обучения: Последовательность учебных материалов, которая формируется исходя из анализа персональных характеристик обучающегося и целей обучения.

2.3.3 минимальный уровень результативности: Достижение уровня знаний, умений и навыков по предметной области обучающимся, позволяющего успешно пройти промежуточную и итоговую аттестацию.

2.3.4 образовательный продукт (программно-техническая система) с алгоритмами искусственного интеллекта: Программно-техническая система, использующая алгоритмы искусственного интеллекта для решения различных задач в сфере образования.

2.3.5 паттерны списывания: Обучающие данные, содержащие описание действий обучающихся, нарушающих правила проведения промежуточной или итоговой аттестации.

2.3.6 стандарт цифрового следа: Набор правил и соглашений, используемых при идентификации, сборе, анализе, передаче цифрового следа.

2.3.7 таксономия образовательных материалов: Декомпозиция материалов образовательной программы в виде графа, состоящего из учебных элементов, модулей и связей между ними.

2.3.8 цифровой след (в образовании): Данные об обучающемся и его активностях, включающие в том числе видео и аудиозаписи, данные о хронологии взаимодействия с различными средствами обучения и воспитания, о хронологии взаимодействия с другими участниками отношений в сфере образования и информацию о таком взаимодействии, в том числе о полученных квалификациях, о последующем трудоустройстве и профессиональной деятельности, рецензиях и оценках, а также о результатах обучения с использованием учебно-методических данных, представленные в электронном цифровом формате.

2.3.9 учебно-методические данные: Информация об организации и планировании обучения, необходимая для создания организационно-педагогических условий и достижения образовательных результатов при формировании и реализации индивидуальных траекторий обучения.

2.3.10 учебная аналитика (learning analytics): Идентификация, сбор, анализ и представление данных об обучающихся и образовательном процессе с целью изучения обучения, оптимизации образовательного процесса и улучшения результатов обучения.

2.3.11 описательная аналитика (в образовании) [descriptive Analytics (in education)]: Идентификация, сбор, анализ и представление данных об образовательном процессе и деятельности образовательной организации с целью выявления интерпретируемых зависимостей и закономерностей, понимания текущей ситуации и происходящих процессов.

Примечание - Применительно к учебной аналитике использование описательной аналитики направлено на выявление моделей поведения обучающихся и достижения результатов обучения.

2.3.12 предсказательная аналитика (в образовании) [predictive Analytics (in education)]: Идентификация, сбор, анализ и представление данных об образовательном процессе и деятельности образовательной организации с целью выявления трендов в данных и формирования прогнозов о развитии ситуации и динамике процессов.

Примечание - Применительно к учебной аналитике использование предсказательной аналитики направлено на прогнозирование достижения обучаемым результатов обучения и возникновения рисков, способных повлиять на успешность обучения.

2.3.13 предписывающая аналитика (в образовании) [prescriptive analytics (in education)]: Идентификация, сбор, анализ и представление данных об образовательном процессе и деятельности образовательной организации с целью формирования рекомендаций для достижения запланированных результатов (в образовательном процессе и управленческой деятельности) и оптимизации процессов.

Примечание - Применительно к учебной аналитике использование предписывающей аналитики, как правило, направлено на формирование рекомендаций обучающимся по повышению эффективности обучения, а также на формирование рекомендаций педагогическим работникам и разработчикам учебных материалов по улучшению учебного процесса, дизайна курса, образовательной программы.

3 Использование технологий искусственного интеллекта в образовании

3.1 Технологии компьютерного зрения

Технологии компьютерного зрения в образовании могут использоваться:

- для контроля обучающегося во время проведения онлайн-прокторинга. Использование алгоритмов искусственного интеллекта применяется для непрерывного контроля за процессом выполнения экзамена и распознавания основных паттернов списывания, например, посторонняя помощь, использование, не входящих в регламент проведения учебных материалов, использование программно-аппаратных средств для поиска информации;

- для перевода в машиночитаемый вид рукописных работ;

- для предотвращения конфликтных ситуаций между обучающимися при идентификации в режиме реального времени видеоряда и выявлении основных паттернов конфликтных ситуаций между ними;

- для распознавания в режиме реального времени видеоряда и оценки психоэмоционального состояния обучающихся в классе, идентификации паттернов нестабильного психоэмоционального состояния, в том числе суицидальных настроений;

- для реализации адаптированной образовательной программы (нарушения слуха) с целью распознавания в режиме реального времени подачи информации с помощью жестов и ее перевода в машиночитаемый вид;

- в других целях, направленных на качественные улучшения образовательного процесса и деятельности образовательных организаций.

3.2 Технологии обработки естественного языка, распознавания и синтеза речи

Технологии обработки естественного языка, распознавания и синтеза речи в образовании могут использоваться:

- для перевода в машиночитаемый и текстовый вид голосовых команд педагогического работника и обучающегося, в том числе для задания команд различным образовательным помощникам и интерфейсам;

- автоматизации проверки устных докладов обучающегося;

- автоматизации проверки и оценивания заданий, включая задания открытого типа (эссе, сочинения, изложения и др.);

- для реализации адаптированной образовательной программы (нарушения зрения) с целью распознавания в режиме реального времени подачи информации с помощью голоса и ее перевода в машиночитаемый вид и формат команд для соответствующих сервисов и интерфейсов;

- в других целях, направленных на качественные улучшения образовательного процесса и деятельности образовательных организаций.

3.3 Технологии интеллектуальной поддержки принятия решений

Технологии интеллектуальной поддержки принятия решений в образовании могут использоваться:

- для реализации адаптивного обучения при помощи программного или программно-аппаратного комплекса;

- автоматизации процесса подготовки к уроку педагогического работника при помощи рекомендательной системы подбора учебно-методических материалов;

- автоматизации процесса самостоятельной работы обучающимся при помощи рекомендательной системы подбора учебно-методических материалов;

- предоставления обратной связи учителю в режиме реального времени о прогрессе каждого обучающегося и формирования рекомендаций по изменению учебной программы;

- оптимизации администрирования образовательного процесса;

- в других целях, направленных на качественные улучшения образовательного процесса и деятельности образовательных организаций.

3.4 Перспективные технологии искусственного интеллекта

Перспективные технологии искусственного интеллекта в образовании могут использоваться:

- для автоматической генерации заданий с заданной психометрической сложностью;

- в других целях, направленных на качественные улучшения образовательного процесса и деятельности образовательных организаций.

3.5 Использование совокупности описанных технологий искусственного интеллекта

Совокупность описываемых технологий искусственного интеллекта может использоваться для автономного обучения без вмешательства педагогического работника посредством искусственного интеллекта-репетитора. Технологии компьютерного зрения позволяют перевести входную информацию обучающегося в машиночитаемый вид. Технологии машинного обучения и анализа данных позволяют сформировать персональную образовательную траекторию обучающегося и провести оценивание.

Библиография