Кайнижамал Есимсеитовна Икласова – PhD, доцент кафедры «Информационно-коммуникационные технологии»,
150000, г. Петропавловск, ул. Пушкина, 86
Kainizhamal Iklassova – PhD, associate professor, Department of Information and Communication Technologies,
150000, Petropavllovsk, Pushkina Str, 86
Айгуль Кайрулаевна Шайханова – PhD, и.о. профессора кафедры Информационной безопасности,
100000, г. Астана, ул. Сатбаева, 2
Aigul Kairulaevna Shaikhanova – PhD, Acting Professor, Department of Information Security,
010000, Astana, Satpayev Str., 2
Алия Муратовна Айтымова – PhD, старший преподаватель кафедры «Начальное, дошкольное и специальное образование»,
150000, г. Петропавловск, ул. Пушкина, 86
Aliya Muratovna Aytymova – PhD, Senior lecturer, Department of Primary, Preschool and Special Education,
150000, Petropavllovsk, Pushkina Str, 86
Мадина Жомартовна Базарова – PhD, ассоциированный профессор кафедры «Компьютерное моделирование и информационные технологии»,
070002, г. Усть-Каменогорск, ул. 30-й Гвардейской дивизии, 34
Madina Zhomartovna Bazarova – PhD, associate professor of the Department of Computer Modeling and Information Technology,
070002, Ust-Kamenogorsk, 30th Gvardeiskoy Divisii Str, 34
Баян Куандыковна Абдураимова – к.т.н, и.о. доцента кафедры информационной безопасности,
100000, г. Астана, ул. Сатбаева, 2
Bayan Kuandykovna Abduraimova – Candidate of Technical Sciences, Acting Associate Professor of the Department of Information Security,
010000, Astana, Satpayev Str., 2
В данной статье рассматривается проектирование и практическая реализация интеллектуальной многоагентной системы для мониторинга образовательных достижений в условиях цифровизации среднего образования. Актуальность исследования обусловлена необходимостью перехода от ретроспективного контроля знаний к превентивному управлению индивидуальными образовательными траекториями на основе анализа «цифрового следа» учащегося. Авторами предложена архитектура системы, включающая три типа специализированных агентов: Агента-Диагноста, Агента-Методиста и Агента-Прогнозиста. Математический аппарат системы базируется на использовании иерархических моделей для классификации рисков обучения по четырем ключевым критериям: успеваемость, посещаемость, активность и темп освоения материала. Разработанное программное обеспечение на языке Python реализует концепцию «Объяснимого ИИ» (XAI), обеспечивая прозрачность и интерпретируемость диагностических выводов для педагога. В ходе апробации системы на выборке учащихся выявлены значимые положительные результаты: автоматизация процесса мониторинга позволила сократить временные затраты на подготовку аналитической отчетности класса на 70–80%, одновременно повысив точность прогнозирования итоговых оценок. Система автоматически формирует персонализированные сценарии педагогического вмешательства, адаптированные под конкретный тип выявленного барьера. В разделе дискуссии обозначены нерешенные вопросы, касающиеся динамической настройки весовых коэффициентов функции полезности и необходимости интеграции разработанного решения с государственными информационными системами учета успеваемости.
This article examines the design and practical implementation of an intelligent multi-agent system for monitoring educational achievements in the context of the digitalization of secondary education. The relevance of the study is обусловлена the need to shift from retrospective knowledge assessment to preventive management of individual learning trajectories based on the analysis of a student’s “digital footprint.” The authors propose a system architecture that includes three types of specialized agents: a Diagnostic Agent, a Methodological Agent, and a Predictive Agent. The mathematical framework of the system is based on hierarchical models for classifying learning risks according to four key criteria: academic performance, attendance, activity, and learning pace. The developed software, implemented in Python, follows the concept of Explainable Artificial Intelligence (XAI), ensuring transparency and interpretability of diagnostic outcomes for educators. During the system’s testing on a student sample, significant positive results were obtained: automation of the monitoring process reduced the time required for preparing class analytical reports by 70- 80%, while simultaneously improving the accuracy of final grade predictions. The system automatically generates personalized intervention scenarios tailored to the specific type of identified learning barrier.
The discussion section outlines unresolved issues, including the dynamic adjustment of weighting coefficients in the utility function and the need to integrate the developed solution with national educational information systems for academic performance tracking.
The authors declare that there are no conflicts of interest present.