Факторный, регрессионный и корреляционный анализы для оценки использования нейронных сетей в учебном процессе университета

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.

1. Vieriu, 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.

2. Вишняков, 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).

3. Боброва, Л. В. Применение факторного анализа для оценки самоорганизации студентов / Л. В. Боброва // Pedagogy & Psychology. Theory and practice. 2023. № 2. С. 14-17.

4. 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).

5. 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.

6. 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 / G. Fan, D. Liu, R. Zhang, L. Pan // International Journal of STEM Education. 2025. 12. Article 16. DOI: 10.1186/s40594-025-00537-3.