Прогнозирование результатов обучения студентов с использованием инструментов машинного обучения
https://doi.org/10.32517/0234-0453-2023-38-4-28-43
Аннотация
Цифровые помощники все больше проникают в разные области деятельности человека, в том числе и в образовательную. Сегодня это уже не просто автоматизированные системы или веб-приложения, поддерживающие и автоматизирующие некоторые процессы, включая учебный. Сейчас это более интеллектуальные и более автономные системы. Цифровые помощники в жизни студента играют особую роль, в некотором смысле замещая деканат, наставника, тьютора, представителей других служб университета и другие элементы образовательной инфраструктуры. Цифровая поддержка студента важна и полезна, особенно на первом курсе, в период адаптации обучающегося к среде высшего образования, существенно отличающегося от школьного. Именно в этот момент происходит наибольшее количество отчислений студентов по причине академической неуспеваемости. Цифровой помощник в виде мобильного приложения, умеющий спрогнозировать результаты обучения и вовремя проинформировать об этом, по мнению авторов, может оказать важную поддержку для студента и помочь ему сориентироваться и скорректировать свое поведение в случае угрозы негативного результата. Для решения задач по созданию прогнозной модели результатов обучения студентов и соответствующего мобильного приложения, а также для проведения предпроектного исследования были использованы следующие методы и инструменты математической статистики: метод k-средних, метод корреляции Кендалла, критерий Фридмана с апостериорным критерием Дарбина—Коновера, линейная регрессия, логистическая регрессия, категориальный байесовский классификатор, метод случайного леса, нейронная сеть (многослойный перцептрон), непараметрическая оценка функции регрессии Надарая—Ватсона, STATISTICA 10.0 и Jamovi 2.2.5, библиотеки Python. В результате исследования создана математическая модель прогнозирования результатов обучения по дисциплинам на основе текущей успеваемости в электронных образовательных курсах. Точность модели зависит от недели обучения, на которой она применяется, и достигает 92,6 %. На ранних этапах (например, для 7-й недели) точность составляет не ниже 85 % и варьируется в зависимости от контингента студентов и дисциплин. В результате исследования разработано мобильное приложение, реализующее прогнозную модель и другие сопутствующие функции для информирования студента об ожидаемых успехах в обучении. Созданная прогнозная модель основана на текущих данных об успеваемости, получаемых из электронных курсов, и способна делать точный прогноз, что позволяет применять ее на практике в онлайн-режиме и через мобильное приложение информировать обучающегося.
Об авторах
Ю. Ю. ЯкунинРоссия
канд. тех. наук, доцент, зав. базовой кафедрой интеллектуальных систем управления, Институт космических и информационных технологий
В. Н. Шестаков
Россия
канд. филос. наук, доцент кафедры современных образовательных технологий, Институт педагогики, психологии и социологии
Д. И. Ликсонова
Россия
канд. тех. наук, доцент базовой кафедры интеллектуальных систем управления, Институт космических и информационных технологий
А. А. Даничев
Россия
канд. тех. наук, доцент базовой кафедры интеллектуальных систем управления, Институт космических и информационных технологий
Список литературы
1. Alsariera Y. A., Baashar Y., Alkawsi G., Mustafa A., Alkahtani A. A., Ali N. A. Assessment and evaluation of different machine learning algorithms for predicting student performance. Computational Intelligence and Neuroscience. 2022;1:4151487. DOI: 10.1155/2022/4151487
2. Brahim G. B. Predicting student performance from online engagement activities using novel statistical features. Arabian Journal for Science and Engineering. 2022;47(8):10225–10243. DOI: 10.1007/s13369-021-06548-w
3. Токтарова В. И., Пашкова Ю. А. Предиктивная аналитика в цифровом образовании: анализ и оценка успешности обучения студентов. Сибирский педагогический журнал. 2022;(1):97–106. EDN: NSPMDR. DOI: 10.15293/1813-4718.2201.09
4. Almasri A., Celebi E., Alkhawaldeh R. S. EMT: Ensemble meta-based tree model for predicting student performance. Scientific Programming. 2019:1–13. DOI: 10.1155/2019/3610248
5. Шевченко В. А. Прогнозирование успеваемости студентов на основе методов кластерного анализа. Вестник Харьковского национального автомобильно-дорожного университета. 2015;(68):15–18. EDN: UNSPAX
6. Aggarwal D., Mittal S., Bali V. Significance of nonacademic parameters for predicting student performance using ensemble learning techniques. International Journal of System Dynamics Applications. 2021;10(3):38–49. DOI: 10.4018/IJSDA.2021070103
7. Zohair L. M. A. Prediction of student’s performance by modelling small dataset size. International Journal of Educational Technology in Higher Education. 2019;(16):1–18. DOI: 10.1186/s41239-019-0160-3
8. Куприянов Р. Б., Звонарев Д. Ю. Повышение качества модели прогнозирования образовательных результатов студентов университетов. Информатика и образование. 2021;36(9(328)):40–46. EDN: WAAWTP. DOI: 10.32517/0234-0453-2021-36-9-40-46
9. Куприянов Р. Б., Звонарев Д. Ю. Разработка модели прогнозирования образовательных результатов обучающихся для университетов. Искусственный интеллект и принятие решений. 2021;(2):11–20. EDN: EENEFV. DOI: 10.14357/20718594210202
10. Deeva G., De Smedt J., Saint-Pierre C., Weber R., De Weerdt J. Predicting student performance using sequence classification with time-based windows. Expert Systems with Applications. 2022;(209):118182. DOI: 10.1016/j.eswa.2022.118182
11. 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;14(4):815–822. EDN: JWGGFH. DOI: 10.25559/SITITO.14.201804.815-822
12. Ali R. H. Educational data mining for predicting academic student performance using active classification. Iraqi Journal of Science. 2022;63(9):3954–3965. DOI: 10.24996/ijs.2022.63.9.27
13. Li S., Liu T. Performance prediction for higher education students using deep learning. Complexity. 2021:1–10. DOI: 10.1155/2021/9958203
14. Poudyal S., Mohammadi-Aragh M. J., Ball J. E. Prediction of student academic performance using a hybrid 2D CNN model. Electronics. 2022;11(7):1–21. DOI: 10.3390/electronics11071005
15. Sood S., Saini M. Hybridization of cluster-based LDA and ANN for student performance prediction and comments evaluation. Education and Information Technologies. 2021;26(3):2863–2878. DOI: 10.1007/s10639-020-10381-3
16. Tsiakmaki M., Kostopoulos G., Kotsiantis S., Ragos O. Transfer learning from deep neural networks for predicting student performance. Applied Sciences. 2020;10(6):2145. DOI: 10.3390/app10062145
17. Liu Y., Fan S., Xu S., Sajjanhar A., Yeom S., Wei Y. Predicting student performance using clickstream data and machine learning. Education Sciences. 2023;13(1):1–17. DOI: 10.3390/educsci13010017
18. Conijn R., Van den Beemt A., Cuijpers P. Predicting student performance in a blended MOOC. Journal of Computer Assisted Learning. 2018;34(5):615–628. DOI: 10.1111/jcal.12270
19. Шухман А. Е., Парфенов Д. И., Легашев Л. В., Гришина Л. С. Анализ и прогнозирование успеваемости обучающихся при использовании цифровой образовательной среды. Высшее образование в России. 2021;30(89):125–133. EDN: QKRTNV. DOI: 10.31992/0869-36172021-30-8-9-125-133
20. Qiu F., Zhang G., Sheng X., Jiang L., Zhu L., Xiang Q., Jiang B., Chen P. Predicting students’ performance in e-learning using learning process and behaviour data. Scientific Reports. 2022;12(1):1–15. DOI: 10.1038/s41598-021-03867-8
21. Котова Е. Е. Прогнозирование успешности обучения в интегрированной образовательной среде с применением инструментов онлайн-аналитики. Компьютерные инструменты в образовании. 2019;(4):55–80. EDN: GSJKDN. DOI: 10.32603/2071-2340-2019-4-55-80
22. Al-Kindi I., Al-Khanjari Z. Tracking student performance tool for predicting students EBPP in online courses. International Journal of Emerging Technologies in Learning (iJET). 2021;16(23):140–157. DOI: 10.3991/ijet.v16i23.25503
23. Погребников А. К., Шестаков В. Н., Якунин Ю. Ю. Влияние использования элементов персональной образовательной среды на успеваемость студентов и их мотивацию к обучению. Информатика и образование. 2020;(1(310)):42–50. EDN: LTZJIQ. DOI: 10.32517/02340453-2020-35-1-42-50
24. Lewis H. G., Brown M. A generalized confusion matrix for assessing area estimates from remotely sensed data. International Journal of Remote Sensing. 2001;22(16):3223– 3235. DOI: 10.1080/01431160152558332
25. Надарая Э. А. Непараметрическое оценивание плотности вероятностей и кривой регрессии. Тбилиси: Изд-во ТГУ; 1983. 194 с.
26. Hyndman R. J., Koehler A. B. Another look at measures of forecast accuracy. International Journal of Forecasting. 2006;22(4):679–688. DOI: 10.1016/j.ijforecast.2006.03.001
Рецензия
Для цитирования:
Якунин Ю.Ю., Шестаков В.Н., Ликсонова Д.И., Даничев А.А. Прогнозирование результатов обучения студентов с использованием инструментов машинного обучения. Информатика и образование. 2023;38(4):28-43. https://doi.org/10.32517/0234-0453-2023-38-4-28-43
For citation:
Yakunin Yu.Yu., Shestakov V.N., Liksonova D.I., Danichev A.A. Predicting student performance using machine learning tools. Informatics and education. 2023;38(4):28-43. (In Russ.) https://doi.org/10.32517/0234-0453-2023-38-4-28-43