Прогнозирование успешности обучения по дисциплине на основе универсальных показателей цифрового следа
https://doi.org/10.32517/0234-0453-2023-38-3-31-41
Аннотация
Одной из важных задач учебной аналитики является прогнозирование сохранности состава обучающихся. В международном пространстве решению этой задачи в системе высшего образования посвящено множество исследований, имеется положительный опыт внедрения сервисов поддержки успешности обучения в вузах. Анализ литературы показывает повышение интереса к этой задаче у российского научно-педагогического сообщества. При этом специфика российского образования не дает возможности прямого переноса зарубежного опыта в отечественную образовательную систему.
В исследовании было выявлено, что значительный вклад в прогнозирование сохранности численности обучающихся могут внести модели прогнозирования успеваемости по отдельным предметам учебного плана. Авторами предложена структурная модель системы прогнозирования успеваемости по дисциплине, которая включает в себя универсальную модель на основе обобщенных показателей цифрового следа, предметную модель, учитывающую особенности обучения по конкретной дисциплине, и модель на основе образовательного профиля обучающегося.
В ходе эмпирического исследования по универсальным показателям цифрового следа студентов из LMS Moodle было обучено несколько моделей раннего прогнозирования успешности промежуточной аттестации и проведен анализ их качества. Наиболее точной моделью, особенно в первой половине семестра, оказался ансамбль-усреднение моделей логистической регрессии, случайного леса и градиентного бустинга. Был сделан вывод об эффективности универсальных моделей для раннего выявления студентов с проблемами в обучении по дисциплине, определены направления дальнейшего совершенствования универсальной модели прогнозирования успеваемости и сформулированы условия для масштабирования предложенного подхода по созданию системы прогнозирования успешности обучения другими образовательными учреждениями.
Об авторах
Р. В. ЕсинРоссия
Есин Роман Витальевич, канд. пед. наук, доцент кафедры прикладной математики и анализа данных, Институт космических и информационных технологий
г. Красноярск
Т. А. Кустицкая
Россия
Кустицкая Татьяна Алексеевна, канд. физ.-мат. наук, доцент кафедры прикладной математики и анализа данных, Институт космических и информационных технологий
г. Красноярск
М. В. Носков
Россия
Носков Михаил Валерианович, доктор физ.-мат. наук, профессор, профессор кафедры прикладной математики и анализа данных
г. Красноярск
Список литературы
1. Siemens G., Gašević D. Guest editorial — learning and knowledge analytics. Educational Technology & Society. 2012;15(3):1–2. Available at: https://drive.google.com/file/d/1SJQZSFOrix9_WZTvBtzvUL70bsLa_eqQ/view
2. Арифулина Р. У., Катушенко О. А. Анализ отечественных и зарубежных трендов индивидуализации образовательного процесса в вузе: аналитический доклад. Вестник Мининского университета. 2021;9(4):2. EDN: CMEEMZ. DOI: 10.26795/2307-1281-2021-9-4-2
3. Гордеева Т. О., Сычев О. А., Осин Е. Н. Опросник «Шкалы академической мотивации». Психологический журнал. 2014;35(4):96–107. EDN: SJVWLN
4. Nur N., Park N., Dorodchi M., Dou W., Mahzoon M. J., Niu X., Maher M. L. Student network analysis: A novel way to predict delayed graduation in higher education. Artificial Intelligence in Education. AIED 2019. Lecture Notes in Computer Science. 2019;11625:370–382. Springer, Cham. DOI: 10.1007/978-3-030-23204-7_31
5. York T. T., Gibson C., Rankin S. Defining and measuring academic success. Practical Assessment, Research, and Evaluation. 2015;20:5. DOI: 10.7275/hz5x-tx03
6. Hommel M., Egetenmeier A., Maier U. Supporting stakeholders with learning analytics to increase study success. Utilizing Learning Analytics to Support Study Success. Springer, Cham; 2019:37–60. DOI: 10.1007/978-3-319-64792-0_3
7. Шапоров А. М. Прогнозирование риска отчисления как результат академической неуспешности обучающегося. Ярославский педагогический вестник. 2022;(1(124)):48–55. EDN: NSUCPN. DOI: 10.20323/1813-145X-2022-1-124-48-55
8. Bravo-Agapito J., Romero S. J., Pamplona S. Early prediction of undergraduate Student’s academic performance in completely online learning: A five-year study. Computers in Human Behavior. 2021;115:106595. DOI: 10.1016/j.chb.2020.106595
9. Luis R. M. M. F., Llamas-Nistal M., Iglesias M. J. F. On the introduction of intelligent alerting systems to reduce e-learning dropout: A case study. Smart Learning Environments. 2022;9:29. DOI: 10.1186/s40561-022-00210-0
10. Moreira da Silva D. E., Solteiro Pires E. J., Reis A., de Moura Oliveira P. B., Barroso J. Forecasting Students Dropout: A UTAD University Study. Future Internet. 2022;14(3):76. DOI: 10.3390/fi14030076
11. Gaševič D., Dawson S., Rogers T., Gasevic D. Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success. The Internet and Higher Education. 2016;28:68–84. DOI: 10.1016/j.iheduc.2015.10.002
12. Knowles J. E. Of needles and haystacks: Building an accurate statewide dropout early warning system in Wisconsin. Journal of Educational Data Mining. 2015;7(3):18–67. DOI: 10.5281/zenodo.3554725
13. Ifenthaler D., Mah D.-K., Yau J.Y.-K. Utilising learning analytics for study success: Reflections on current empirical findings. Utilizing Learning Analytics to Support Study Success. Springer, Cham; 2019:27–36. DOI: 10.1007/978-3-319-64792-0_2
14. Ortigosa A., Carro R. M., Bravo-Agapito J., Lizcano D., Alcolea J. J. Blanco Ó. From lab to production: Lessons learnt and real-life challenges of an early student-dropout prevention system. IEEE Transactions on Learning Technologies. 2019;12(2):264–277. DOI: 10.1109/TLT.2019.2911608
15. Mussida P., Lanzi P. L. A computational tool for engineer dropout prediction. 2022 IEEE Global Engineering Education Conference (EDUCON). 2022:1571–1576. DOI: 10.1109/EDUCON52537.2022.9766632
16. Silva J., Matos L. F. A., Mosquera C. M., Mercado C. V., González R. B., Llinás N. O., Lezama O. B. P. Prediction of academic dropout in university students using data mining: Engineering case. Advances in Cybernetics, Cognition, and Machine Learning for Communication Technologies. Springer, Singapore; 2020:459–500. DOI: 10.1007/978-981-15-3125-5_49
17. Есин Р. В., Зыкова Т. В., Кустицкая Т. А., Кытманов А. А. Цифровая образовательная история как составляющая цифрового профиля обучающегося в условиях трансформации образования. Перспективы науки и образования. 2022;(5):566–584. EDN: OMTHCN. DOI: 10.32744/pse.2022.5.34
18. Шаимов Н. Д., Ломазова И. А., Мицюк А. А., Самоненко И. Ю. Анализ академической успеваемости студентов с использованием журналов событий электронной образовательной среды. Моделирование и анализ информационных систем. 2022;29(4):286–314. EDN: STNXMO. DOI: 10.18255/1818-1015-2022-4-286-314
19. Tamada M. M., Giusti R., Netto J. F. d. M. Predicting students at risk of dropout in technical course using LMS logs. Electronics. 2022;11(3):468. DOI: 10.3390/electronics11030468
20. Токтарова В. И., Попова О. Г. Анализ образовательных данных взаимосвязи успешности обучения и поведения студентов в цифровой образовательной среде вуза. Информатика и образование. 2022;37(4):54–63. EDN: ESVZJD. DOI: 10.32517/0234-0453-2022-37-4-54-63
21. Kustitskaya T. A., Kytmanov A. A., Noskov M. V. Early student-at-risk detection by current learning performance and learning behavior indicators. Cybernetics and Information Technologies. 2022;22(1):117–133. EDN: UDNYJC. DOI: 10.2478/cait-2022-0008
22. Уджуху И. А., Мешвез Р. К., Манченко Ю. В., Галюнко Т. Э. Электронная информационно-образовательная среда современного вуза: понятие, структура, применение. Вестник Майкопского государственного технологического университета. 2020;(1(44)):113–121. EDN: IXROHD. DOI: 10. 24411/2078-1024-2020-11011
23. Haakman M., Cruz L., Huijgens H., van Deursen A. AI lifecycle models need to be revised. Empirical Software Engineering. 2021;26(5):95. DOI: 10.1007/s10664-021-09993-1
24. Susnjak T., Ramaswami G. S., Mathrani A. Learning analytics dashboard: A tool for providing actionable insights to learners. International Journal of Educational Technology in Higher Education. 2022;19(1):12. DOI: 10.1186/s41239-021-00313-7
25. Akcayir G., Farias Wanderley L., Demmans Epp C., Hewitt J., Mahmoudi-Nejad A. Learning analytics dashboard use in online courses: Why and how instructors interpret discussion data. Visualizations and Dashboards for Learning Analytics. Springer, Cham; 2021:371–397. DOI: 10.1007/978-3-030-81222-5_17
Рецензия
Для цитирования:
Есин Р.В., Кустицкая Т.А., Носков М.В. Прогнозирование успешности обучения по дисциплине на основе универсальных показателей цифрового следа. Информатика и образование. 2023;38(3):31-41. https://doi.org/10.32517/0234-0453-2023-38-3-31-41
For citation:
Esin R.V., Kustitskaya T.A., Noskov M.V. Predicting academic performance in a course by universal features of LMS Moodle digital footprint. Informatics and education. 2023;38(3):31-41. (In Russ.) https://doi.org/10.32517/0234-0453-2023-38-3-31-41