Data Mining в образовании: прогнозирование успеваемости учащихся

Способность прогнозировать академические результаты учащихся имеет ценность для любого учебного заведения, стремящегося улучшить успеваемость и мотивацию студентов. Основываясь на сгенерированных прогнозах, учащимся, выявленным как подверженным риску отчисления или неуспеваемости, может быть оказана поддержка более своевременным образом. В статье рассмотрены различные классификационные модели для прогнозирования успеваемости студентов, используя данные, собранные в университетах г. Пензы. Данные включают сведения о зачислении студентов, а также данные о деятельности, полученные из университетской электронной информационно-образовательной среды (ЭИОС). Важным вкладом этого исследования является учет неоднородности учащихся при построении прогностических моделей. Это основано на наблюдении, что учащиеся с различными социально-демографическими особенностями или способами обучения могут проявлять различную мотивацию к обучению. Эксперименты подтвердили гипотезу о том, что модели, обученные с использованием экземпляров в студенческих подгруппах, превосходят модели, построенные с использованием всех экземпляров данных. Кроме того, эксперименты выявили, что учет особенностей как зачисления, так и учебной деятельности помогает более точно идентифицировать уязвимых учащихся. Результаты экспериментов показали, что ни один отдельный метод не обладает превосходной производительностью во всех аспектах. В качестве инструментально средства для создания прогностической модели использовалась отечественная аналитическая платформа Loginom.
The ability to predict student academic performance is valuable to any institution seeking to improve student achievement and motivation. Based on the predictions generated, students identified as being at risk for expulsion or failure can be supported in a more timely manner. This article discusses various classification models for predicting student performance using data collected from universities in Penza. The data include student enrollment data as well as activity data from the university electronic information and education environment (EIE). An important contribution of this study is the consideration for student heterogeneity in the construction of predictive models. This is based on the observation that students with different socio-demographic characteristics or modes of learning may exhibit different motivation to learn. Experiments confirmed the hypothesis that models trained using instances in student subgroups outperform models built using all data instances. In addition, the experiments showed that accounting for both enrollment and learning activity patterns helped to identify vulnerable students more accurately. Experimental results have demonstrated that no single method has superior performance in all aspects. The homegrown analytics platform Loginom was employed as a tool to create a predictive model.
МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, Выпуск 2 (41) 2023, Pages 3-4