Интеллектуальный анализ образовательных данных для прогноза успеваемости студентов вуза

Н. А. Попова, Е. С. Егорова

---

Аннотация. Прогресс в области интеллектуального анализа данных делает возможным использование образовательных данных для повышения качества образовательных процессов. В статье рассмотрены различные методы анализа данных об успеваемости студентов. Основное внимание уделено двум аспектам: во-первых, прогнозирование академических достижений студентов в конце
четырехлетней учебной программы по программам бакалавриата; во-вторых, изучение типичных прогрессий учащихся и объединение их с результатами прогнозирования. При прогнозировании было использовано порядка 10 алгоритмов классификации. Предложен подход к улучшению производительности методов классификации, когда атрибуты классификаторов выбираются в процессе их обучения. Определены две важные группы учащихся – с низкими и высокими достижениями. Результаты показывают, что, сосредоточив внимание на небольшом количестве курсов, которые являются показателями особенно хорошей или плохой успеваемости, можно своевременно предупреждать и поддерживать студентов с низкой успеваемостью, а также давать советы и возможности студентам с высокой успеваемостью.

Ключевые слова: анализ образовательных данных, дерево решений, кластеризация, прогнозирование, успеваемость, дистилляция

Для цитирования. Попова Н. А., Егорова Е. С. Интеллектуальный анализ образовательных данных для прогноза успеваемости студентов вуза // Известия Кабардино-Балкарского научного центра РАН. 2023. № 2(112). С. 18–29. DOI: 10.35330/1991-6639-2023-2-112-18-29

Информация об авторах

Попова Наталия Александровна, канд. техн. наук, доцент кафедры «Математическое обеспечение и применение ЭВМ», Пензенский государственный университет;
440026, Россия, г. Пенза, ул. Красная, 40;
popov.tasha@yandex.ru, ORCID: https://orcid.org/0000-0001-9713-4897
Егорова Екатерина Сергеевна, канд. экон. наук, доцент кафедры «Прикладная информатика», Пензенский государственный технологический университет;
440039, Россия, г. Пенза, проезд Байдукова/ул. Гагарина, 1а/11;
katepost@yandex.ru, ORCID: https://orcid.org/0000-0002-0816-0944

Список литературы

1. Белоножко П. П., Карпенко А. П., Храмов Д. А. Анализ образовательных данных: направления и перспективы применения // Интернет-журнал «Науковедение» Том 9. № 4 (2017). URL: http://naukovedenie.ru/PDF/15TVN417.pdf
2. Мамонтова М. Ю. Качество учебных достижений: оценка и прогноз на основе результатов критериально-ориентированного тестирования // Образование и наука. Известия УрО РАО. 2009. № 3(60). С. 18–26.
3. Русаков С. В., Накарякова Н. Н. Прогнозирование успеваемости студентов первого курса с помощью дерева решений на основе их результатов сдачи ЕГЭ // Наука. Информатизация. Технологии. Образование: Материалы XI международной научно-практической конференции. Екатеринбург: Российский государственный профессионально-педагогический университет, 2018. С. 589–594.
4. Фирстов В. Е. Социометрические и информационные аспекты кластеризации обучаемого контингента при организации и оптимизации группового сотрудничества в учебном процессе в школе и вузе // Известия Саратовского университета. Новая серия. Серия: Философия. Психология. Педагогика. 2014. Т. 14. № 1. С. 110–118.
5. Medvedev D., D’yakonov A. New Properties of the Data Distillation Method When Working with Tabular Data // Conference proceedings “Analysis of Images, Social Networks and Texts”. Lecture Notes in Computer Science. Vol. 12602. Springer, Cham. 2021. https://doi.org/ 10.1007/978-3-030-72610-2_29
6. Sucholutsky I., Schonlau M. Soft-Label Dataset Distillation and Text Dataset Distillation // International Joint Conference on Neural Networks, Shenzhen, China, 2021. Pp. 1–8. DOI: 10.1109/IJCNN52387.2021.9533769.
7. Никонорова М. Л. Компьютерная модель решения задач классификации в программной среде Rapid Miner // Медицинское образование и профессиональное развитие. 2017. № 2–3(28–29). С. 24–33.
8. Филяк П. Ю., Виноградов М. А. Применение Rapid miner и открытых сред как инструментов интеллектуального анализа данных для обеспечения безопасности // Информация и безопасность. 2017. Т. 20. № 4. С. 552–555.
9. Maimon O., Rokach L. Data Mining and Knowledge Discovery Handbook. Springer Science, Business Media, 2010. 1285 p. ISBN: 978-0-387-09822-7.