Аналитика обучения: прогнозирование успеваемости на основе данных об активности и эффективности студентов в системах управления электронными образовательными курсами

В настоящем исследовании рассматривается задача повышения точности прогнозирования результатов обучения студентов вузов на основе данных о текущей успеваемости по дисциплинам из электронных образовательных курсов. Исходные данные представляют собой числовые значения – оценки и показатели активности по итогам каждой недели обучения, которые могут относиться к разным диапазонам шкал и быть сильно разреженными, что осложняет их дальнейшее использование в алгоритмах прогнозирования. Поэтому необходимо проводить качественную предобработку исходной информации для построения прогнозной математической модели результатов обучения. В качестве одного из методов для обработки данных предлагается использование процентилей, которые позволяют эффективно описывать распределение признаков. Процентильный подход решает проблему сравнения студентов при различной сложности курсов, переводя абсолютные оценки в относительные ранги внутри группы обучающихся. В исследовании проводится сравнительный анализ методологий обработки данных, включая стандартный метод центрирования-нормирования и процентильный подход. Для построения прогнозной модели используется метод непараметрической оценки функции регрессии Надарая-Ватсона. Приводятся фрагменты вычислительных экспериментов с разным количеством групп, которые показывает достаточно приемлемые результаты с практической точки зрения.

1. Zhang Y., Yun Y., An R., Cui J., Dai H., Shang X. Educational Data Mining Techniques for Student Performance Prediction: Method Review and Comparison Analysis. Frontiers in Psychology. 2021;12:698490. https://doi.org/10.3389/fpsyg.2021.698490

2. Angeioplastis A., Aliprantis J., Konstantakis M., Tsimpiris A. Predicting Student Performance and Enhancing Learning Outcomes: A Data-Driven Approach Using Educational Data Mining Techniques. Computers. 2025;14(3):83. https://doi.org/10.3390/computers14030083

3. Lu Ch., Cutumisu M. Online engagement and performance on formative assessments mediate the relationship between attendance and course performance. International Journal of Educational Technology in Higher Education. 2022;19(1):2. https://doi.org/10.1186/s41239-021-00307-5

4. Han L. Prediction and Analysis of Students' Behavior Based on Data Mining in Educational Administration. In: Artificial Intelligence for Future Society: Proceedings of the International Conference on Artificial Intelligence for Society, 18–19 May 2024, Bhubaneswar, India. Cham: Springer; 2024. P. 229–238. https://doi.org/10.1007/978-3-031-69457-8_22

5. Wang J., Yu Y. Machine learning approach to student performance prediction of online learning. PLoS ONE. 2025;20(1):e0299018. https://doi.org/10.1371/journal.pone.0299018

6. Al-Tameemi Gh., Xue J., Hadi Ali I., Ajit S. A hybrid machine learning approach for predicting student performance using multi-class educational datasets. Procedia Computer Science. 2024;238:888–895. https://doi.org/10.1016/j.procs.2024.06.108

7. Gadde S.S., Anand D., Sasidhar Babu N., Pujitha B.V., Sai Reethi M., Pradeep Ghantasala G.S. Performance Prediction of Students Using Machine Learning Algorithms. In: Applications of Computational Methods in Manufacturing and Product Design: Select Proceedings of IPDIMS 2020, 02–03 December 2020, Rourkela, India. Singapore: Springer; 2022. P. 405–411. https://doi.org/10.1007/978-981-19-0296-3_36

8. Duch D., May M., George S. Enhancing Predictive Analytics for Students' Performance in Moodle: Insight from an Empirical Study. Journal of Data Science and Intelligent Systems. 2026;4(1):84–96. https://doi.org/10.47852/bonviewJDSIS42023777

9. Попова Н.А., Егорова Е.С. Основные направления интеллектуального анализа данных в сфере образования. Известия Кабардино-Балкарского научного центра РАН. 2024;26(5):94–106. https://doi.org/10.35330/1991-6639-2024-26-5-94-106

10. Papadogiannis I., Wallace M., Karountzou G. Educational Data Mining: A Foundational Overview. Encyclopedia. 2024;4(4):1644–1664. https://doi.org/10.3390/encyclopedia4040108

11. Lin Y., Chen H., Xia W., Lin F., Wang Z., Liu Y. A Comprehensive Survey on Deep Learning Techniques in Educational Data Mining. Data Science and Engineering. 2025;10(4):564–590. https://doi.org/10.1007/s41019-025-00303-z

12. Якунин Ю.Ю., Шестаков В.Н., Ликсонова Д.И., Даничев А.А. Прогнозирование результатов обучения студентов с использованием инструментов машинного обучения. Информатика и образование. 2023;38(4):28–43. https://doi.org/10.32517/0234-0453-2023-38-4-28-43

13. Ликсонова Д.И., Даничев А.А., Шестаков В.Н., Якунин Ю.Ю. Повышение точности модели прогнозирования успеваемости студентов вузов. Информационные технологии. 2025;31(4):215–224. https://doi.org/10.17587/it.31.215-224

14. Надарая Э.А. Непараметрическое оценивание плотности вероятностей и кривой регрессии. Тбилиси: Изд-во ТГУ; 1983. 194 с.