Preview

Информатика и образование

Расширенный поиск

Повышение качества модели прогнозирования образовательных результатов студентов университетов

https://doi.org/10.32517/0234-0453-2021-36-9-40-46

Аннотация

Прогнозирование образовательных успехов обучающихся является одной из актуальных задач интеллектуального анализа образовательных данных. В данной работе рассмотрено два исследовательских вопроса: повышение качества модели прогнозирования образовательных результатов обучающихся университета и внедрение разработанной модели в реальный образовательный процесс университета. Исследуемые модели прогнозирования основаны на алгоритмах градиентного бустинга над решающими деревьями и линейной регрессии. По результатам проведенного исследования было выявлено, что данные по использованию электронной и университетской библиотек позволяют повысить качество прогнозирования образовательных результатов обучающихся, а также подтверждается факт, что мониторинг образовательных результатов учащихся в динамике оказывается информативнее при принятии управленческих решений в образовательном процессе, чем ориентир на итоговые результаты по успеваемости. Изученные в настоящей работе модели прогнозирования образовательных результатов обучающихся могут быть использованы в образовательных организациях высшего образования для своевременного выявления обучающихся с высоким риском отчисления, предоставления обратной связи студентам и преподавателям в части образовательных успехов обучающихся и управления образовательным процессом.

Об авторах

Р. Б. Куприянов
Московский городской педагогический университет
Россия

 Куприянов Роман Борисович, зам. начальника управления информационных технологий

г. Москва



Д. Ю. Звонарев
Московский городской педагогический университет
Россия

 Звонарев Дмитрий Юрьевич, канд. тех. наук, доцент, директор многофункционального студенческого центра

г. Москва



Список литературы

1. Беккер Дж. Образование по системе свободных искусств и наук: ответ на вызовы XXI в. Вопросы образования. 2015;(4):33–61. DOI: 10.17323/1814-9545-2015-4-33-61

2. Matzavela V., Alepis E. Decision tree learning through a predictive model for student academic performance in intelligent m-learning environments. Computers & Education. 2021:2(6):100035. DOI: 10.1016/j.caeai.2021.100035

3. Rodrigues M. W., Zárate L. E., I sotani S., Educational Data Mining: A review of evaluation process in the e-learning. Telematics and Informatics. 2018;35(6):1701–1717. DOI: 10.1016/j.tele. 2018.04.015

4. Прошкина Е. Н., Балашова И. Ю. Анализ прогнозирования успеваемости студентов на основе радиальной базисной нейросети. Технические науки: традиции и инновации. Материалы III Mеждународной научной конференции. Казань: Молодой ученый; 2018:24–27. Режим доступа: https://moluch.ru/conf/tech/archive/287/13683/

5. Куприянов Р. Б., Звонарев Д. Ю. Разработка модели прогнозирования образовательных результатов обучающихся для университетов. Искусственный интеллект и принятие решений. 2021;(2):11–20. DOI 10.14357/20718594210202

6. Луценко Я. В., Коржаков В. Е. Прогнозирование уровня предметной обученности студентов путем СК-анализа данных об их социальном статусе. Вестник Адыгейского государственного университета. Серия: Педагогика и психология. 2007;(3):53–61. Режим доступа: https://www.elibrary.ru/download/elibrary_11933816_22068154.pdf

7. Halde R. R., Deshpande A., Mahajan A. Psychology assisted prediction of academic performance using machine learning. Psychology assisted prediction of academic performance using machine learning. 2016 IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT). P. 431–435. DOI: 10.1109/RTEICT.2016.7807857

8. 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):82–92. DOI: 10.1109/TLT.2016.2639508

9. Ramkumar Rajendran, Anurag Kumar, Carter K. E., Levin D. T., Biswas G. Predicting learning by analyzing eyegaze data of reading behavior. EDM. 2018.

10. 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):20–29. DOI: 10.1016/j.procs.2019.09.156

11. Ajibade S.-S. M., Nor Bahiah Hj. A., Siti M. Hj. Sh. A data mining approach to predict academic performance of students using ensemble techniques. Proc. Int. Conf. on Intelligent Systems Design and Applications (ISDA). 2018:749–760. DOI: 10.1007/978-3-030-16657-1_70

12. Mudasir Ashraf, Majid Zaman, Muheet Ahmed. An intelligent prediction system for educational data mining based on ensemble and filtering approaches. Procedia Computer Science. 2020;(167):1471–1483. DOI: 10.1016/j.procs.2020.03.358

13. Breiman L. Random forests. Machine Learning. 2001;(45):5–32. Available at: https://www.cise.ufl.edu/~anand/fa11/Breiman_Random_Forests.pdf

14. Friedman J. H. Greedy function approximation: A gradient boosting machine. The Annals of Statistics. 2001;29: 1189–1232. Available at: https://www.jstor.org/stable/2699986?origin=JSTOR-pdf

15. Friedman J. H. Stochastic gradient boosting. Computational Statistics & Data Analysis. 2002;38:367-378. DOI:10.1016/S0167-9473(01)00065-2

16. Helmrich I. R., van Klaveren D., Steyerberg E. W. Research Note: Prognostic model research: overfitting, validation and application. Journal of Physiotherapy. 2019;65(4):243–245. DOI: 10.1016/j.jphys.2019.08.009

17. Lloyd S. P. Least squares quantization in PCM. IEEE Transactions on Information Theory. 1982;28(2):129–137. DOI: 10.1109/TIT.1982.1056489

18. MacQueen J. Some methods for classification and analysis of multivariate observations. Proc. 5th Berkeley Symp. on Math. Statistics and Probability. 1967:281–297. Available at: http://www.cs.cmu.edu/~bhiksha/courses/mlsp.fall2010/class14/macqueen.pdf

19. Куприянов Р. Б., Семенов А. Л. Анализ динамики образовательных результатов студентов крупного педагогического университета. Вестник Московского городского университета. Серия: Информатика и информатизация образования. 2018;(1 (43)):66–71. Режим доступа: https://www.mgpu.ru/wp-content/uploads/2018/06/VestnikMGPU-Informatika-1-2018.pdf

20. Luque A., Carrasco A., Martín A., de las Heras A. The impact of class imbalance in classification performance metrics based on the binary confusion matrix. Pattern Recognition. 2019;91:216–231. DOI: 10.1016/J.PATCOG.2019.02.023


Рецензия

Для цитирования:


Куприянов Р.Б., Звонарев Д.Ю. Повышение качества модели прогнозирования образовательных результатов студентов университетов. Информатика и образование. 2021;(9):40-46. https://doi.org/10.32517/0234-0453-2021-36-9-40-46

For citation:


Kupriyanov R.B., Zvonarev D.Yu. Improving the quality of the university students’ academic performance prediction model. Informatics and education. 2021;(9):40-46. (In Russ.) https://doi.org/10.32517/0234-0453-2021-36-9-40-46

Просмотров: 284


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0234-0453 (Print)
ISSN 2658-7769 (Online)