Анализ цифрового следа в переписке преподавателя с учениками с использованием нейросетевых технологий | Analysis of Digital Trace of Teacher-Student Correspondence Using Neural Network Technologies

DOI 10.24833/2949-6357.2025.SVL.7.1 УДК 372.881.1

Саакян Виктория Левоновна, аспирант, Московская международная академия, Москва, Россия;
email: saakyan.v@mmals.ru

Аннотация

В статье раскрывается важность анализа цифрового следа, который формируется в переписке между преподавателем и учениками в личных чатах, как ценного источника информации для поддержки и развития учебного процесса. Такой подход позволяет не просто фиксировать факты, а глубже понимать реальные потребности и сложности каждого ученика. Особое внимание уделяется применению нейросетевых технологий, которые помогают выявлять ти­пичные ошибки и языковые особенности, создавая инди­видуальные контрольно-диагностические материалы, максимально соответствующие уровню и стилю обучения конкретного ученика. На основе реальных ситуаций из переписки возникает возможность разработать проверочные задания, которые делают обучение более живым, осмысленным и эффективным. Результаты исследования демонстрируют потенциал интеграции таких данных, как текстовые сообщения, вопросы, ответы, уточнения и другую инфор­мацию, которую ученик целенаправленно передаёт преподавателю в рамках образовательного процесса, и искусственного интеллекта для улучшения качества образова­тельного процесса.

Ключевые слова: цифровой след, нейросетевые технологии, персонализация обучения, контрольно-диагностические измерения.

Read
 

ANALYSIS OF DIGITAL TRACE OF TEACHER-STUDENT CORRESPONDENCE USING NEURAL NETWORK TECHNOLOGIES

Victoria L. Saakyan, Postgraduate Student, Moscow International Academy, Moscow, Russia;
email: saakyan.v@mmals.ru

Abstract

This article emphasizes analyzing digital traces in teacher-student chat correspondence as a valuable tool to enhance education. This approach reveals students’ real needs and diffi­culties beyond mere data collection. Neural network technologies identify common errors and linguistic features, enabling the creation of personalized formative assessments tailored to each learner’s level and style. Using authentic situations from chats, educators can develop assessment tasks that increase engage­ment and learning effectiveness. The study shows that integrat­ing text messages, questions, answers, and clarifications shared by students, combined with artificial intelligence, can signifi­cantly improve educational quality by making learning more meaningful and individualized.

Keywords: digital trace, neural network technologies, personalized learning, assessment.