МЕТОДИКА ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РАЗВИТИИ НАВЫКОВ РЕШЕНИЯ ЗАДАЧ У БУДУЩИХ УЧИТЕЛЕЙ ФИЗИКИ
DOI:
https://doi.org/10.32014/2026.2518-1467.1293Ключевые слова:
цифровизация образования, будущие учителя физики, искусственный интеллект, методология, нейросети, критическое мышлениеАннотация
В современной системе образования активно внедряются инновационные технологии, направленные на повышение эффективности учебного процесса и развитие навыков учёта. Одним из таких направлений является интеграция технологий искусственного интеллекта (ИИ) в преподавание естественно-научных дисциплин, в частности физики. Настоящее исследование посвящено внедрению обучения нейронной сети в курс «Практикум по решению физических задач» с целью повышения педагогической компетентности преподавателей и качества усвоения материала студентами. Технология машинного обучения не только ускоряет процесс, но и помогает учителям лучше понять индивидуальные потребности и уровень подготовки каждого учащегося, что позволяет гибко адаптировать содержание курса и методологию обучения к особенностям каждой учебной группы. Важным направлением является использование алгоритмов машинного обучения для анализа больших данных, собранных в процессе обучения, что позволяет выявить основные проблемы в обучении и разработать на их основе эффективные образовательные стратегии. В работе рассматриваются различные подходы к использованию этой технологии в процессе обучения, включая системы на основе машинного обучения, алгоритмы для адаптивного обучения и инструменты для моделирования физических процессов. Особое внимание уделяется педагогическим навыкам интеграции нейронной сети, таким как повышение квалификации преподавателей, расширение их методических компетенций, а также улучшение взаимодействия с учащимися. Внедрение технологии не только облегчит преподавание сложных естественно-научных дисциплин, но и улучшит их восприятие студентами, а также будет способствовать эффективному проведению учебного процесса. Целенаправленное внедрение технологий искусственного интеллекта в программу подготовки будущих учителей физики, в частности в практикум по решению задач, не заменяет традиционное обучение, а расширяет его дидактический потенциал. Это обеспечивает профессиональную адаптацию к работе в инновационной образовательной среде.
Скачивания
Библиографические ссылки
Abaniel, A. (2021). Enhanced conceptual understanding, 21st century skills and learning attitudes through an open inquiry learning model in Physics. JOTSE, 11(1), 30-43. https://doi.org/10.3926/jotse.1004
Asad, M. M., Younas, S., Ali, S., Churi, P. P., & Nayyar, A. (2023). Integration of artificial intelligence in the modern classroom: Prospects for digitization in education. In AI-assisted special education for students with exceptional needs (pp. 110-136). IGI Global. https://doi.org/10.4018/979-8-3693-0378-8.ch005
Du, T. (2023). Deep Learning for Physics Simulation. In ACM SIGGRAPH 2023 Courses, 1-25. https://doi.org/10.1145/3587423.3595518
Erdmann, M., Glombitza, J., Kasieczka, G., & Klemradt, U. (2021). Deep learning for physics research. https://doi.org/10.1142/12294
Gulian, M., Raissi, M., Perdikaris, P., & Karniadakis, G. (2019). Machine learning of space fractional differential equations. SIAM Journal on Scientific Computing, 41(4), A2485-A2509. https://doi.org/10.1137/18M1204991
Ilkka, T. (2018). The impact of artificial intelligence on learning, teaching, and education. European Union. https://doi.org/10.2760/12297
Iten, R., Metger, T., Wilming, H., Del Rio, L., & Renner, R. (2020). Discovering physical concepts with neural networks. Physical review letters, 124(1), 010508. https://doi.org/10.1103/PhysRevLett.124.010508
Kamalov, F., Santandreu Calonge, D., & Gurrib, I. (2023). New era of artificial intelligence in education: Towards a sustainable multifaceted revolution. Sustainability, 15(16), 12451. https://doi.org/10.3390/su151612451
Keshavarz, M., & Ghoneim, A. (2021). Preparing educators to teach in a digital age. The International Review of Research in Open and Distributed Learning, 22(1), 221-242. https://doi.org/10.19173/irrodl.v22i1.4910
Monaco, S., & Apiletti, D. (2023). Training physics-informed neural networks: One learning to rule them all?. Results in Engineering, 18, 101023. https://doi.org/10.1016/j.rineng.2023.101023
Naseer, F., Khan, M. N., Tahir, M., Addas, A., & Aejaz, S. H. (2024). Integrating deep learning techniques for personalized learning pathways in higher education. Heliyon, 10. https://doi.org/10.1016/j.heliyon.2024.e32628
Raban, F. (2022). The Influence of School Culture on Continuing Professional Development of Mathematics and Sciences Teachers During the Covid-19 Pandemic [Mater's Thesis, University of Johannesburg (South Africa)]. https://hdl.handle.net/10210/504278
Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational physics, 378, 686-707. https://doi.org/10.1016/j.jcp.2018.10.045
Salvatore, C., & Wolbring, G. (2022). Coverage of disabled people in environmental education-focused academic literature. Sustainability, 14(3), 1211. https://doi. org/10.3390/su14031211
Taye, M.M. (2023). Understanding of machine learning with deep learning: architectures, workflow, applications and future directions. Computers, 12(5), 91. https://doi.org/10.3390/computers12050091
Ukoh, E. E., & Nicholas, J. (2022). AI adoption for teaching and learning of physics. International Journal for Infonomics (IJI), 15(1), 2121-2131. https://doi.org/10.20533/iji.1742.4712.2022.0222
Velarde, G. (2020). Artificial intelligence and its impact on the fourth industrial revolution: a review. arXiv preprint arXiv:2011.03044. https://doi.org/10.5121/ijaia.2019.10604
Zakaryan, A. (2021). Application of artificial intelligence (neural networks) in education. Main Issues Of Pedagogy And Psychology, 8(1), 78-87. https://doi.org/10.24234/miopap.v8i1.395




