Data Mining в образовании: прогнозирование успеваемости учащихся

Способность прогнозировать академические результаты учащихся имеет ценность для любого учебного заведения, стремящегося улучшить успеваемость и мотивацию студентов. Основываясь на сгенерированных прогнозах, учащимся, выявленным как подверженным риску отчисления или неуспеваемости, может быть оказана поддержка более своевременным образом. В статье рассмотрены различные классификационные модели для прогнозирования успеваемости студентов, используя данные, собранные в университетах г. Пензы. Данные включают сведения о зачислении студентов, а также данные о деятельности, полученные из университетской электронной информационно-образовательной среды (ЭИОС). Важным вкладом этого исследования является учет неоднородности учащихся при построении прогностических моделей. Это основано на наблюдении, что учащиеся с различными социально-демографическими особенностями или способами обучения могут проявлять различную мотивацию к обучению. Эксперименты подтвердили гипотезу о том, что модели, обученные с использованием экземпляров в студенческих подгруппах, превосходят модели, построенные с использованием всех экземпляров данных. Кроме того, эксперименты выявили, что учет особенностей как зачисления, так и учебной деятельности помогает более точно идентифицировать уязвимых учащихся. Результаты экспериментов показали, что ни один отдельный метод не обладает превосходной производительностью во всех аспектах. В качестве инструментально средства для создания прогностической модели использовалась отечественная аналитическая платформа Loginom.

1. Политов А.Ю., Акжигитов Р.Р., Судариков К.А. Анализ моделей и инструментов предиктивной аналитики для анализа образовательных данных. Инновации. Наука. Образование. 2021;28:1055–1065.

2. Salloum S.A., Elnagar A., Shaalan K., Alshurideh M. Mining in Educational Data: Review and Future Directions. Advances in Intelligent Systems and Computing. 2020;1153:92–102. DOI: 10.1007/978-3-030-44289-7_9.

3. Пискунов Л.А. Анализ и прогнозирование успеваемости студентов на основе нейронной сети. Вестник науки. 2019;3(6):402–405.

4. Васильева Е.Е., Курушин Д.С., Власов С.С. Раннее прогнозирование среднего балла диплома студентов университета: нейросетевой подход. Международная конференция по мягким вычислениям и измерениям. 2019;1:366–369.

5. Озерова Г.П., Павленко Г.Ф. Прогнозирование успешности студентов при смешанном обучении с использованием данных учебной аналитики. Science for Education Today. 2019;9(6):73–87. DOI: 10.15293/2658-6762.1906.05.

6. Певченко С.С., Блужин В.А. Сравнительный анализ алгоритмов нейронной сети и деревьев принятия решений модели интеллектуального анализа данных. Молодой ученый. 2016;132(28):148–154.

7. Шухман А.Е., Парфенов Д.И., Легашев Л.В., Гришина Л.С. Анализ и прогнозирование успеваемости обучающихся при использовании цифровой образовательной среды. Высшее образование в России. 2021;30(8-9):125–133. DOI: 10.31992/0869-3617-2021-30-8-9-125-133.

8. Gasevic D., Dawson S., Rogers T., Gasevic D. Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success. The Internet and Higher Education. 2016;28:68–84. DOI: 10.1016/j.iheduc.2015.10.002.

9. Акбархужаев С.А., Абдурахманова Н.Н. Сравнительный анализ методов Наивного Байеса и SVM алгоритмов при классификации текстовых документов. Молодой ученый. 2019;267(29):8–10.

10. Булычева П.А. Ошмарина О.Е., Шадрина Е.В. Выявление академически неуспешных студентов на первом году обучения в университете на примере НИУ ВШЭ – Нижний Новгород. Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. 2016;42(2):136–143.