ISSN 2071-8594

Russian academy of sciences

Editor-in-Chief

Gennady Osipov

Р. Б. Куприянов, Д. Ю. Звонарев "Разработка модели прогнозирования образовательных результатов обучающихся для университетов"

Аннотация.

В статье представлен метод и разработана модель для прогнозирования успеваемости обучающихся на базе интеллектуального анализа образовательных данных. Применение гибких индивидуальных образовательных траекторий для обучающихся требует еще большей ответственности и контроля со стороны образовательного учреждения. Использование современных технических решений способно выступать в качестве системы поддержки принятия решений и системы оповещения при выявлении обучающихся, входящих в группу риска отчисления за неуспеваемость. Внедрение разработанных моделей в информационную систему позволило отслеживать и прогнозировать динамику образовательных результатов обучающихся.

Ключевые слова:

цифровая трансформация образовательного процесса, прогнозирование, интеллектуальный анализ данных, интеллектуальный анализ образовательных данных.

Стр. 11-20.

DOI 10.14357/20718594210202

Литература

1. Semenov A., Kondratiev V. Learners as Extended Minds of the Digital Age // Proceedings of the 4th International Conference on Informatization of Education and Elearning Methodology: Digital Technologies in Education (IEELM-DTE 2020). 2020. Krasnoyarsk. Russia. P. 34-39.
2. Becker J. Liberal Arts and Sciences Education: Responding to the Challenges of the XXIst Century // Voprosy obrazovaniya. Educational Studies. Moscow. 2015. 4. P. 33-61.
3. Прошкина Е.Н., Балашова И.Ю. Анализ прогнозирования успеваемости студентов на основе радиальной базисной нейросети // Технические науки: традиции и инновации: материалы III Mеждунар. науч. конф. (г. Самара, март 2018 г.). Казань: Молодой ученый. 2018. С. 24-27.
4. Луценко Я.В., Коржаков В.Е. Прогнозирование уровня предметной обученности студентов путем СК-анализа данных об их социальном статусе // Вестник Адыгейского государственного университета. Серия 3: Педагогика и психология: Адыгейский государственный университет (г. Майкоп). 2007. С. 53-61.
5. Якунин Ю.Ю., Погребников А.К. Анализ обратной связи в персональной образовательной среде // Информатика и образование. 2018. № 10. С. 36-41.
6. Kupriyanov R.B. The system of monitoring students educational success on the basis of data mining algorithms // In the collection: Informatization of education and methods of elearning. Materials of the II International scientific conference. Siberian federal University. 2018. P. 188-192.
7. Wang Z., Zhu. X., Huang J., Li X., Ji Y. Prediction of Academic Achievement Based on Digital Campus // Proceedings of the 11th International Conference on Educational Data Mining. 2018. P. 266-272.
8. Kassarnig V., Bjerre-Nielsen A., Mones E., Lehmann S., Lassen D. D.. Academic performance and behavioral patterns. 2017. [Электронный ресурс]. URL:
https://arxiv.org/abs/1706.09245 (дата обращения 14.11.2020).
9. Pardo A., Han F., Ellis R. A. Combining university student self-regulated learning indicators and engagement with online learning events to predict academic performance // IEEE Transactions on Learning Technologies. 2016. 10 (1). P. 82-92.
10. Romero C., L˜A¸spez M., Luna J., Ventura S. Predicting students’ final performance from participation in on-line discussion forums // Computers & Education. 2013. P. 458-472.
11. Makhlouf J., Mine T. Predicting if students will pursue a STEM career using School-Aggregated Data from their usage of an Intelligent Tutoring System // Proceedings of the 11th International Conference on Educational Data Mining. 2018. P. 533-536.
12. Hamsa H., Indiradevi S., Kizhakkethottam J. J. Student Academic Performance Prediction Model Using Decision Tree and Fuzzy Genetic Algorithm // Procedia Technology. 2016. 25. P. 326-332.
13. Burgos C., Campanario M. L., de la Peña D., Lara J. A., Lizcano D., Martínez M. A. Data mining for modeling students’ performance: A tutoring action plan to prevent academic dropout // Computers & Electrical Engineering. 2018. 66. P. 541-556.
14. Садовникова Н.О., Черных Н.А. Прогнозирование успеваемости первокурсников на основе интеллектуальной обработки довузовских факторов // Россия и ВТО: экономические, правовые и социальные аспекты: материалы IV Международного научного студенческого конгресса. 2013. М. С. 2048-2053.
15. Czibula G., Mihai A., Crivei L. S PRAR: A novel relational association rule mining classification model applied for academic performance prediction // Procedia Computer Science. 2019. 159. P. 20-29.
16. Ajibade SS.M., Ahmad N.B., Shamsuddin S.M. (2020) A Data Mining Approach to Predict Academic Performance of Students Using Ensemble Techniques // In: Abraham A., Cherukuri A., Melin P., Gandhi N. (eds) Intelligent Systems Design and Applications. ISDA. 2018. Advances in Intelligent Systems and Computing. 2020. 940.
17. Ashraf M., Zaman M., Ahmed M. (2020). An Intelligent Prediction System for Educational Data Mining Based on Ensemble and Filtering approaches // Procedia Computer Science. 2020. 167. P. 1471-1483.
18. Breiman L. Random Forests // Machine Learning. 2001. 45 (1). P. 5-32.
19. Friedman J. Greedy Function Approximation: A Gradient Boosting Machine. // Ann. Statist. 2001. 29 (5). P. 1189-1232.
20. Friedman J. H. Stochastic Gradient Boosting // Computational Statistics & Data Analysis. 2002. 38 (3). P. 367-378.
21. Lloyd S.P. Least squares quantization in PCM // IEEE Transactions on Information Theory. 1982. 28 (2). P. 129-137.
22. MacQueen J. Some methods for classification and analysis of multivariate observations // In Proc. 5th Berkeley Symp. on Math. Statistics and Probability. 1967. P. 281-297.
23. Куприянов Р.Б., Семенов А.Л. Анализ динамики образовательных результатов студентов крупного педагогического университета // Вестник Московского городского педагогического университета. Серия: Информатика и информатизация образования. 2018. № 1 (43). С. 66-71.