Интеграция нейросетевых технологий в современное образование для развития ≪гибких≫ навыков
Аннотация
В статье рассматривается подход к интеграции нейросетевых технологий для устра- нения дисбаланса между развитием жестких (hard skills) и гибких (soft skills) навыков в процессе образования. Современный рынок труда требует от специалистов высоких коммуникативных, креативных и логических навыков. Однако традиционные обра- зовательные программы недостаточно акцентируют внимание на soft skills. Авторы статьи, опираясь на исследования РБК, Google и РСМ, подчеркивают важность гибких навыков для успешной карьеры и социальной адаптации, отмечая, что многие испы- тывают трудности именно с коммуникативным навыком как основополагающим soft skills. Для решения этой проблемы предлагается инновационный подход с использованием нейросетевых технологий для диагностики и развития коммуникативных навыков. Авторы анализируют существующие модели глубокого обучения и предлагают свою структуру сверточно-рекуррентной нейронной сети (CRNN) для диагностики речевых недостатков в русском языке. Разработанная модель оценивает дефекты произноше- ния и предоставляет персонализированные обучающие материалы. Авторами предлагается интерактивная образовательная платформа, реализующая созданную модель в рамках технологии обучения hard skills совместно с программами развития soft skills. Нейросетевые алгоритмы платформы оптимизируют учебный процесс, адаптируя его к индивидуальным особенностям обучающегося, и могут использоваться как самостоятельно, так и в дополнение к занятиям с репетитором.
Литература
S. Godin, “Let’s stop calling it soft skills. Talent Management,” in Medium, 2017. [Online]. Available: https://itsyourturnblog.com/lets-stop-calling-them-soft-skills-9cc27ec09ecb
C. R. Mann, A study of engineering education, Joint committee on engineering education of the national engineering societies, New York, USA: New York city, 1918.
K. Nordstrom and J. Ridderstrale, Business in the style of funk. Capital dances to the tune of talent, Moscow: Mann, Ivanov and Ferber, 2013 (in Russian).
T. Yu. Yakuba et al. eds., Soft skills — competencies of the future: a methodological manual / Far Eastern State Scientific Library, department of scientific research and scientific-methodological work, Khabarovsk, Russia: DVGBN, 2023 (in Russian).
A. Nikulina, “7 tips: how to overcome the fear of public speaking,” in ITMO News, 2020. [Online]. Available: https://news.itmo.ru/en/education/trend/news/9396/
M. Alam, M. D. Samad, L. Vidyaratne, A. Glandon, and K. M. Iftekharuddin, “Survey on Deep Neural Networks in Speech and Vision Systems” Neurocomputing, vol. 417, pp. 302–321, 2020; doi: 10.1016/j.neucom.2020.07.053
D. Ribas, M. A. Pastor, A. Miguel, D. Martinez, A. Ortega, and E. Lleida, “Automatic voice disorder detection using self-supervised representations,” IEEE Access, vol. 11, pp. 14915–14927, 2023.
A. A. Joshy and R. Rajan, “Automated dysarthria severity classification: A study on acoustic features and deep learning techniques,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 30, pp. 1147–1157, 2022.
S. Venugopalan et al., “Speech intelligibility classifiers from 550 disordered speech samples,” 2023, arXiv:2303.07533v2 [eess.AS].
A. A. Khomenko, I. V. Zinchenko, and Yu. V. Bryzgalova, “Diagnostika rechevyh narusheniya u doshkolnikov s pomoshchyu iskusstvennogo intellekta” [Artificial intelligence as a diagnostic technology for detecting speech disorders], Pedagogical Perspective, vol. 13, no. 1, pp. 58–65, 2024 (in Russian); doi:10.55523/27822559_2024_1(13)_58
L. V. Savchenko, “Computer-Assisted Language Learning Based on Convolutional Neural Networks and Information Theory of Speech Perceptio,” Information Technologies, vol. 25, no. 5, pp. 313–319, 2019 (in Russian); doi:10.17587/it.25.313-318
A. Graves, A. Mohamed, and G. Hinton, “Speech recognition with deep recurrent neural networks,” in Proc. of IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, Canada, 2013, pp. 6645–6649, 2013; doi:10.1109/ICASSP.2013.6638947
T. N. Sainath, A. Mohamed, B. Kingsbury, and B. Ramabhadran, “Deep Convolutional Neural Networks for LVCSR,”in Proc. of IEEE International Conference on Acoustics, Speech and Signal Processing, Vancouver, BC, Canada, 2013, pp. 8614–8618, 2003; doi:10.1109/ICASSP.2013.6639347
G. Surbhi, K. Sham, A. T. Kalai and Z. Cyril, “Recurrent Convolutional Neural Networks Learn Succinct Learning Algorithms,” 2022, arXiv:2209.00735v2 [cs.LG].
O. Pronina and O. Piatykop, “The recognition of speech defects using convolutional neural network,” CTEWorkshop Proceedings, vol. 10, pp. 153–166, 2023; doi:10.55056/cte.554
L. D. Alferova, Rechevoj trening: dikcija i proiznoshenie. Posobie [Diction and pronunciation. Manual], St. Petersburg, Russia: RGISI, 2003 (in Russian).
L. V. Lopatina, “Proyavleniya i diagnostika foneticheskih narusheniya pri stertoj dizartrija” [Manifestations diagnosis of phonetic disorders in erased dysarthria], Izvestiya RGPU im. A. I. Gertsena, vol. 6, no. 14, pp. 219–230, 2006 (in Russian).
Материал публикуется под лицензией:
