Боброва В.В.доктор экономических наук, доцент, директор Института менеджмента, заведующая кафедрой таможенного дела, Оренбургский государственный университет (ОГУ), Оренбург, Российская Федерация bobrova1971@mail.ru https://orcid.org/0000-0003-3558-5662 SPIN-код: 7357-1479
Новикова В.А.студентка института кибербезопасности и цифровых технологий, МИРЭА – Российский технологический университет, Москва, Российская Федерация vlanovickova@gmail.com ORCID id: отсутствует SPIN-код: отсутствует
Предмет. Применение методов машинного обучения для анализа академической успеваемости студентов. Цели. Выявление факторов, оказывающих влияние на академическую успеваемость студентов, обнаружение скрытых закономерностей, полезных и интерпретируемых знаний о результатах учебного процесса и его участниках с помощью интеллектуального анализа образовательных данных. Методология. Исследование базируется на методах эконометрического моделирования, многомерной классификации и кластеризации больших данных. Результаты. Разработаны модели интеллектуального анализа образовательных данных, позволяющие провести сравнительный анализ обучающихся и прогнозирование уровня освоения образовательной программы в зависимости от таких факторов, как суммарный балл вступительных испытаний, средний балл академической успеваемости, основа и форма обучения, курс, уровень подготовки, пол и возраст студента. Выводы. Результаты применения методов машинного обучения для анализа успеваемости позволят дифференцированно подбирать эффективные методы и технологии обучения к группам студентов с различными уровнями академических результатов, своевременно принимать корректирующие действия относительно студентов из группы риска, что в итоге будет способствовать сохранности контингента обучающихся и повышению качества образовательного процесса.
Baker R.S., Inventado P.S. Educational Data Mining and Learning Analytics. In: Larusson J., White B. (eds) Learning Analytics. Springer, New York, 2014, pp. 61–75. URL: Link
Siti Khadijah Mohamad, Zaidatun Tasir. Educational Data Mining: A Review. Procedia – Social and Behavioral Sciences, 2013, vol. 97, pp. 320–324. URL: Link
Замков О.О., Пересецкий А.А. ЕГЭ и академические успехи студентов бакалавриата МИЭФ НИУ ВШЭ // Прикладная эконометрика. 2013. № 2. С. 93–114. URL: Link
Захарова И.Г. Методы машинного обучения для информационного обеспечения управления профессиональным развитием студентов // Образование и наука. 2018. Т. 20. № 9. С. 91–114. URL: Link
Захарова И.Г. Big Data и управление образовательным процессом // Вестник Тюменского государственного университета. Гуманитарные исследования. Humanitates. 2017. Т. 3. № 1. С. 210–219. URL: Link
Русаков С.В., Русакова О.Л., Посохина К.А. Нейросетевая модель прогнозирования группы риска по успеваемости студентов первого курса // Современные информационные технологии и ИТ-образование. 2018. № 4. С. 815–822. URL: Link
Помян С.В., Белоконь О.С. Прогноз результатов успеваемости студентов вуза на основе марковских процессов // Вестник Вятского государственного университета. 2020. № 4. С. 63–73. URL: Link
Салал Я.К., Абдуллаев С.М. Мониторинг качества образования и внедрение индивидуального обучения: демонстрация подходов и алгоритмов интеллектуального анализа образовательных данных // Известия ЮФУ. Технические науки. 2020. № 3. С. 112–122. URL: Link
Фиофанова О.А. Анализ больших данных в сфере образования: методология и технологии. М.: Дело, 2020. 200 с.
Частикова В.А., Псеуш А.Г. Интеллектуальный анализ данных при построении индивидуальных образовательных траекторий // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. 2021. № 2. С. 66–71. URL: Link
Котова Е.Е. Прогнозирование успешности обучения в интегрированной образовательной среде с применением инструментов онлайн аналитики // Компьютерные инструменты в образовании. 2019. № 4. С. 55–80. URL: Link
Белоножко П.П., Карпенко А.П., Храмов Д.А. Анализ образовательных данных: направления и перспективы применения // Науковедение. 2017. Т. 9. № 4. URL: Link
Чернышова Н.А. Cвязь результатов ЕГЭ и академических успехов студентов в сельскохозяйственном вузе // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. 2017. № 1. С. 171–177. URL: Link
Ширинкина Е.В. Методы интеллектуального анализа данных и образовательной аналитики // Современное образование. 2022. № 1. URL: Link
Харламова И.Ю. Прогнозирование успеваемости студентов первого курса по результатам сдачи единого государственного экзамена // Базис. 2017. № 1. С. 57–59. URL: Link
Токтарова В.И., Попова О.Г. Анализ образовательных данных взаимосвязи успешности обучения и поведения студентов в цифровой образовательной среде вуза // Информатика и образование. 2022. Т. 37. № 4. С. 54–63. URL: Link
Котова Е.Е., Писарев А.С. Задача классификации учащихся с использованием методов интеллектуального анализа данных // Известия СПбГЭТУ ЛЭТИ. 2019. № 4. С. 32–42. URL: Link
Бантикова О.И., Туктамышева Л.М. Региональные демографические процессы: состояние и перспективы // Азимут научных исследований: экономика и управление. 2021. Т. 10. № 1. С. 66–71. URL: Link
