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.
This study examines the problem of increasing the accuracy of predicting the learning outcomes of university students based on data on current academic performance in disciplines from electronic educational courses. The source data are numerical values – grades and activity indicators based on the results of each week of training – which may relate to different scale ranges and be highly sparse, making their subsequent use in forecasting algorithms difficult. Therefore, it is necessary to conduct high-quality preprocessing of the source information to construct a predictive mathematical model of learning outcomes. One proposed method for data processing is the use of percentiles, which effectively describe the distribution of features. The percentile method solves the issue of fairly comparing students enrolled in courses with differing difficulty levels by turning raw scores into relative rankings within a learner's peer group. This study presents a side-by-side comparison of two data processing techniques: the conventional centering-and-norming method versus the percentile-based strategy. A nonparametric estimator designed for the Nadaraya-Watson regression function is then employed to build the predictive model. Excerpts from computational experiments with varying numbers of groups are presented, yielding acceptable results from a practical perspective.
The authors declare that there are no conflicts of interest present.