sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2025-4-56-63sapi-776Research ArticleИнформационные технологии в образованииInformation technologies in educationФакторный, регрессионный и корреляционный анализы для оценки использования нейронных сетей в учебном процессе университетаFactorial, regression and correlation analyses to evaluate the use of neural networks in the university educational processВишняковВ. А.VishniakovV. A.

Вишняков Владимир Анатольевич – Доктор технических наук, профессор,г. Минск

E-mail: vish2002@list.ru

Doctor of Science (Engineering), Professor,Minsk, E-mail: vish2002@list.ru

 

vish2002@list.ruПолоскоЕ. И.PoloskoE. I.

Полоско Екатерина Ивановна – аспирантка,г. МинскE-mail: e.i.polosko@gmail.com

Senior Lecturer,Minsk,E-mail: e.i.polosko@gmail.com

 

e.i.polosko@gmail.comБелорусский государственный университет информатики и радиоэлектроники (БГУИР)БеларусьBelarusian State University of Informatics and RadioelectronicsBelarus202516122025045663Copyright © Вишняков В.А., Полоско Е.И., 20252025Вишняков В.А., Полоско Е.И.Vishniakov V.A., Polosko E.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/776

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.

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.

нейронные сетиучебный процессфакторныйрегрессионныйкорреляционныйанализneural networkslearning processfactorialregressioncorrelationanalysisReferencesVieriu, A. M. The Impact of Artificial Intelligence (AI) on Students’ Academic Development / A. M. Vieriu, G. Petrea // Education Sciences. 2025. 15(3). Article 343. DOI:10.3390/educsci15030343.Vieriu A.M., Petrea G. The Impact of Artificial Intelligence (AI) on Students’ Academic Development. Education Sciences. 2025;15(3):343. https://doi.org/10.3390/educsci15030343Вишняков, В. А. Специализированные IoT-сети: модели, структуры, алгоритмы, программно-аппаратные средства = Specialized IoT systems: Models, Structures, Algorithms, Hardware, Software Tools / В. А. Вишняков. Минск : БГУИР, 2023. 184 с. URL: https://libeldoc.bsuir.by/handle/123456789/50731 (date of access: 16.10.2025).Vishniakou U.A. Specialized IoT systems: Models, Structures, Algorithms, Hardware, Software Tools. Minsk: BGUIR; 2023. 184 p. (In Russian). Available at: https://libeldoc.bsuir.by/handle/123456789/50731 (accessed: 17.10.2025).Боброва, Л. В. Применение факторного анализа для оценки самоорганизации студентов / Л. В. Боброва // Pedagogy & Psychology. Theory and practice. 2023. № 2. С. 14-17.Bobrova L.V. Application of factor analysis to assess students’ self-organization. Pedagogy and psychology. Theory and practice. 2023;2:14-17 (In Russian).Винник, О. Г. Использование корреляционно-регрессионного анализа для обоснования публикационной активности профессорско-преподавательского состава как одного из показателей системы менеджмента качества учреждения высшего образования / О. Г. Винник, Т. В. Гришко // Экономика. Бизнес. Финансы. 2022.№ 4. С. 8-12. URL: https://elib.gstu.by/handle/220612/33960 (date of access: 16.10.2025).Vinnik O.G., Grishko T.V. The use of correlation and regression analysis to substantiate the publication activity of the teaching staff as one of the indicators of the quality management system of an institution of higher education. Economy. Business. Finance. 2022;4:8–12 (In Russian). Available at: https://elib.gstu.by/handle/220612/33960 (accessed: 17.10.2025).Regression analysis of student academic performance using deep learning / S. Hussain, S. Gaftandzhieva, M. Maniruzzaman, [et al.] // Education and Information Technologies. 2021. 26. C. 783–798. DOI:10.1007/s10639-020-10241-0.Hussain S., Gaftandzhieva S., Maniruzzaman M., Doneva R., Muhsin Z.F. Regression analysis of student academic performance using deep learning. Education and Information Technologies. 2021;26:783–798. https://doi.org/10.1007/s10639-020-10241-0The impact of AI-assisted pair programming on student motivation, programming anxiety, collaborative learning, and programming performance: a comparative study with traditional pair programming and individual approaches / G. Fan, D. Liu, R. Zhang, L. Pan // International Journal of STEM Education. 2025. 12. Article 16. DOI: 10.1186/s40594-025-00537-3.Fan G., Liu D., Zhang R., Pan L. The impact of AI-assisted pair programming on student motivation, programming anxiety, collaborative learning, and programming performance: a comparative study with traditional pair programming and individual approaches. International Journal of STEM Education. 2025;12:16. https://doi.org/10.1186/s40594-025-00537-3

The authors declare that there are no conflicts of interest present.