Сибирский федеральный университет

Тип публикации: статья из журнала

Год издания: 2023

Идентификатор DOI: 10.32517/0234-0453-2023-38-3-31-41

Ключевые слова: learning analytics, educational data analysis, student retention, learning success, digital footprint, LMS Moodle, performance prediction, machine learning, model ensemble, учебная аналитика, анализ образовательных данных, сохранность контингента студентов, успешность обучения, цифровой след, прогнозирование успеваемости, машинное обучение, ансамбль моделей

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. Student retention prediction is one of the most important problems of learning analytics. In the global scope research on the topic for higher education is rather extensive, there are cases of successful implementation of education support services in universities. The literature analysis shows of the growing interest in this problem in the Russian scientific and pedagogical community. At the same time, the specifics of Russian education does not allow direct transfer of foreign experience into the domestic educational system.The study reveals that a significant contribution to predicting student retention can be made by models for predicting academic performance in educational courses of the curriculum. The authors propose a structural model of a system for predicting academic performance, which includes a universal model based on generalized indicators of the digital footprint, a course-based model that takes into account the specifics of learning in a particular discipline, and a model based on the student’s educational profile.In the empirical study we trained 5 models for early prediction of interim assessment grades based on the universal indicators of the LMS Moodle student digital footprint. The most accurate model, especially in the first half of the semester, turned out to be ensemble-averaging models of logistic regression, random forest and gradient boosting. It was found that universal models are effective for detection of at-risk students in the discipline, the directions for further improvement of the universal model of performance prediction were determined and conditions for scaling the proposed approach to create a prognostic system for student retention to other educational institutions were formulated.

Журнал: Информатика и образование

Выпуск журнала: Т.38, №3

Номера страниц: 31-41

ISSN журнала: 02340453

Место издания: Москва

Издатель: ООО "Образование и Информатика", Российская академия образования

• Есин Р.В. (Сибирский федеральный университет)
• Кустицкая Т.А. (Сибирский федеральный университет)
• Носков М.В. (Сибирский федеральный университет)

• Ядро РИНЦ (eLIBRARY.RU)
• Список ВАК