ОБЗОР МЕТОДОВ ПРОГНОЗИРОВАНИЯ АКАДЕМИЧЕСКОЙ УСПЕВАЕМОСТИ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ
DOI:
https://doi.org/10.52167/1609-1817-2025-138-3-239-248Ключевые слова:
модель, интеллектуальный анализ данных, прогнозирование успеваемости студентов, факторы, влияющие на успеваемость, прогнозные модели, точность, оценкаАннотация
Современные методы прогнозирования академической успеваемости студентов активно развиваются благодаря внедрению интеллектуального анализа данных. Анализ больших объемов образовательной информации позволяет выявлять закономерности, влияющие на успех студентов, а также разрабатывать эффективные стратегии для повышения качества образования. В данной статье рассмотрены вопросы анализа современных подходов к прогнозированию академической успеваемости на основе интеллектуального анализа данных. Обзор показывает, что использование искусственного интеллекта и алгоритмов обработки данных позволяет значительно повысить точность прогнозирования, снизить риски академической неуспеваемости и предложить персонализированные стратегии обучения. Рассматриваются существующие ограничения и проблемы, связанные с интерпретируемостью моделей, качеством исходных данных и этическими аспектами предсказательной аналитики. Адаптация международных практик в образовательных системах, включая возможности интеграции интеллектуального анализа данных в ИС, является важным аспектом данного исследования. Представлены рекомендации по дальнейшему развитию методов прогнозирования с учетом региональных особенностей образовательной среды.
Библиографические ссылки
[1] Ortiz, E. A., & Dehon, C. (2008). What are the factors of success at University? A case study in Belgium. Cesifo Economic Studies.
[2] Arias Ortiz, E., & Dehon, C. (2013). Roads to success in the Belgian French Community’s higher education system: predictors of dropout and degree completion at the Université Libre de Bruxelles. Research in Higher Education
[3] Lara, J. A., Lizcano, D., Martínez, M. A., Pazos, J., & Riera, T. (2014). A system for knowledge discovery in e-learning environments within the European Higher Education Area—Application to student data from Open University of Madrid.
[4] Asif, R., Merceron, A., Ali, S. A., & Haider, N. G. (2017). Analyzing undergraduate students’ performance using educational data mining. Computers and Education. DIMA. Computers and Education,
[5] Hofait, A., & Schyns, M. (2017). Early detection of university students with potential difculties. Decision Support Systems, 101(2017), 1–11
[6] Cruz-Jesus, F., Castelli, M., Oliveira, T., Mendes, R., Nunes, C., Sa-Velho, M., & Rosa-Louro, A. (2020). Using artifcial intelligence methods to assess academic achievement in public high schools of a European Union country. Heliyon. https://doi.org/10.1016/j.heliyon.2020.e04081
[7] Ahmad, Z., & Shahzadi, E. (2018). Prediction of students’ academic performance using artifcial neural network. Bulletin of Education and Research, 40(3), 157–164.
[8] Musso, M. F., Hernández, C. F. R., & Cascallar, E. C. (2020). Predicting key educational outcomes in academic trajectories: A machine-learning approach. Higher Education,
[9] Waheed, H., Hassan, S. U., Aljohani, N. R., Hardman, J., Alelyani, S., & Nawaz, R. (2020). Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior, 104(October 2019), 106189.
[10] Xu, X., Wang, J., Peng, H., & Wu, R. (2019). Prediction of academic performance associated with internet usage behaviors
using machine learning algorithms. Computers in Human Behavior, 98(January), 2019.04.015
[11] Burgos, C., Campanario, M. L., De, D., Lara, J. A., Lizcano, D., & Martínez, M. A. (2018). Data mining for modeling students’ performance: A tutoring action plan to prevent academic dropout. Computers and Electrical Engineering, 66(2018).
[12] Hofait, A., & Schyns, M. (2017). Early detection of university students with potential difculties. Decision Support Systems, 101(2017).
[13] Kotsiantis, S., Tselios, N., Filippidi, A., & Komis, V. (2013). Using learning analytics to identify successful learners in a blended learning course. International Journal of Technology Enhanced Learning. 2013
[14] Kaur, P., Singh, M., & Josan, G. S. Classifcation and prediction based data mining algorithms to predict slow learners in education sector. Procedia Computer Science, 2015.
[15] Delen, D. (2010). A comparative analysis of machine learning techniques for student retention management. Decision Support Systems.
[16] Vandamme, J.-P., Meskens, N., & Superby, J.-F. (2007). Predicting academic performance by data mining methods. Education Economics, 15(4), 405–419.
[17] Huang, S., & Fang, N. (2013). Predicting student academic performance in an engineering dynamics course: A comparison of four types of predictive mathematical models. Computers and Education, 61(1), 133–145.
[18] Русаков С.В., Русакова О.Л., Посохина К.А. Нейросетевая модель прогнозирования группы риска по успеваемости студентов первого курса. Том 14 № 4 (2018): Современные информационные технологии и ИТ-образование
[19] Саловарова Ю. Е. Исследование рынка по предоставлению дополнительного профессионального образования / Ю. Е. Саловарова // Лидерство и менеджмент. – 2018. – Т. 5, № 1. – С. 37-42. – DOI 10.18334/lim.5.1.38896
[20] Hellas, A., Ihantola, P., Petersen, A., Ajanovski, V.V., Gutica, M., Hynninen, T., Knutas, A., Leinonen, J., Messom, C., & Liao, S.N. (2018). Predicting academic performance: a systematic literature review. In Proceedings companion of the 23rd annual ACM conference on innovation and technology in computer science education (pp. 175–199). Hofait, A., & Schyns, M. (2017). Early detection of university students with potential difculties. Decision Support Systems, 101(2017).
[21] Macfadyen, L. P., & Dawson, S. (2010). Mining LMS data to develop an “early warning system” for educators: A proof of concept. Computers & Education, 54(2), 588–599.
[22] Alshanqiti, A., & Namoun, A. (2020). Predicting student performance and its infuential factors using hybrid regression and multi-label classifcation. IEEE Access, 8, 203827–203844. https://doi.org/10.1109/access.2020.3036572Arias Ortiz, E., & Dehon, C. (2013). Roads to success in the Belgian French Community’s higher education system: predictors of dropout and degree completion at the Université Libre de Bruxelles. Research in Higher Education.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Айгуль Молдакалыкова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
