В преподавательской деятельности есть большое число задач, решаемых приблизительно, на основе индивидуального опыта и текущего настроения преподавателя. Эмпирически или случайно подбираемые решения сильно влияют на учебу и жизнь учащихся и преподавателей. Часто такие эмпирические решения удовлетворительно решают задачу, но не имеют обоснования, не выявлены критерии принятия решения. Это затрудняет как процесс принятия решения, так и получения опыта преподавания. Случайно принятое решение отрицает и разрушает ранее накопленный опыт и обычно не дает нового. Однако, необходимость требует принятия решения и решение принимается. Поэтому все средства, способствующие выработке и уточнению критериев решения, особенно в условиях недостатка информации, полезны.
        К таким педагогическим задачам можно отнести следующие:
           1) решение педагогических ситуаций,
           2) постановка текущих оценок,
           3) постановка итоговых оценок,
           4) определение критериев постановки промежуточных и итоговых оценок
           5) выбор лучших студентов для поощрения (например - экзамен автоматом),
           6) прогнозирование результатов обучения (определение вероятности отчисления студента из учебного заведения),
           7) прогнозирование приема абитуриента в студенты (отбор из абитуриентов лучших кандидатов)
           8) определение школ с лучшей подготовкой учащихся
           и другие.
        Для решения этих и других педагогических задач доступно большое количество различных данных, как описательных, так и формализованных. Существуют методы решения таких задач. Однако, человек не способен рационально использовать сразу большое количество данных, он принимает нечеткое решение по немногим. Педагогический опыт способствует принятию правильного решения, но не гарантирует даже от простых ошибок. Для начинающих преподавателей педагогический опыт почти не помогает решению, решение находится интуитивно, по среднему.
        Для решения вышеназванных и некоторых других задач предлагается использовать нейросетевые методы обработки данных. Если использовать результаты обработки данных не как обязательную догму, а как совет, полученный в результате обработки известного, следует признать пригодность этого подхода.
        Было выполнено несколько численных экспериментов, с использованием нейроимитаторов MultiNeuron (Разработчики - группа Нейрокомп: Горбань А.Н., Гилев С.Е., Коченов Д.А., Миркес Е.М., Россиев Д.А.), Monoton, а также предобработчика Predmake.
        Вывод и перспективы:
           1) использование нейросетевых методов для обработки педагогических данных следует продолжать;
           2) следует обучать преподавателей прикладной нейроинформатике (у нас в СибГТУ открыто такое обучение на ФПК).
        Работа выполнена при поддержке гранта, выделенного по Федеральной Целевой Программе “Интеграция”, проект №68, направление 2.1.