Quantitative large-scale study of school student’s academic performance peculiarities during distance education caused by COVID-19

Cover Page

Cite item

Full Text

Abstract

The paper presents the large-scale analysis results of the distance learning impact caused by COVID-19 and its influence on school student's academic performance. This multidisciplinary study is based on the large amount of the raw data containing school student’s grades from 2015 till 2021 academic years taken from “Electronic education in Tatarstan Republic” system. The analysis is based on application of BigData and mathematical statistics methods, realized by using Python programming language. Dask framework for parallel cluster-based computation, Pandas library for data manipulation and large-scale analysis data is used. One of the main priorities of this paper is to identify the impact of different educational system’s factors on school student’s academic performance. For that purpose, the quantile regression method was used. This method is widely used for processing a large-scale data of various experiments in modern data science. Quantile regression models are designed to determine conditional quantile functions. Therefore, this method is especially suitable to exam conditional effects at various locations of the outcome distribution: e.g., lower and upper tails. The study-related conditional factors include such factors as student’s marks from previous academic years, types of lessons in which grades were obtained, and various teacher’s parameters such as age, gender and qualification category.

About the authors

V. A. Yunusov

Kazan Federal University

Email: valentin.yunusov@gmail.com
Russian Federation, Kremlyovskaya St, 18, Kazan, Respublika Tatarstan, 420008

A. F. Gilemzyanov

Kazan Federal University

Email: gilemal59@gmail.com
Russian Federation, Kremlyovskaya St, 18, Kazan, Respublika Tatarstan, 420008

F. M. Gafarov

Kazan Federal University

Author for correspondence.
Email: fgafarov@yandex.ru
Russian Federation, Kremlyovskaya St, 18, Kazan, Respublika Tatarstan, 420008

P. N. Ustin

Kazan Federal University

Email: pavust@mail.ru

PhD

Russian Federation, Kremlyovskaya St, 18, Kazan, Respublika Tatarstan, 420008

A. R. Khalfieva

Kazan Federal University

Email: khalfieva@inbox.ru

PhD

Russian Federation, Kremlyovskaya St, 18, Kazan, Respublika Tatarstan, 420008

References

  1. Amerise, I.L. Predicting Students Academic Achievement: A Quantile Regression Approach. International Journal of Statistics and Systems 13(1), 9–14 (2018).
  2. Aspachs O, Durante R, Graziano A, Mestres J, Reynal-Querol M, et al. (2021) Tracking the impact of COVID-19 on economic inequality at high frequency. PLOS ONE 16(3): e0249121. https://doi.org/10.1371/journal.pone.0249121
  3. Chen, L., Zhou, Y. Quantile regression in big data: A divide and conquer based strategy. Computational Statistics & Data Analysis 144, 106892 (2020). https://doi.org/10.1016/j. csda.2019.106892
  4. Costanzo, A., Desimoni, M. Beyond the mean estimate: a quantile regression analysis of inequalities in educational outcomes using INVALSI survey data. Large-scale Assess Educ 5, 14 (2017). https://doi.org/10.1186/s40536-017-0048-4
  5. Gafarov F, Minullin D, Gafarova V. Dask-based efficient clustering of educational texts. CEUR Workshop Proceedings, 3036, 362–376 (2021).
  6. Gürsakal, Necmi & Murat, Dilek. (2018). Assessment of PISA 2012 Results With Quantile Regression Analysis Within The Context of Inequality In Educational Opportunity. alphanumeric journal. 4. 41-54. https://doi.org/10.17093/ aj.2016.4.2.5000186603 .
  7. Hao, L., Naiman, D. Quantile regression. Sage, London (2007).
  8. Hu, A., Li, Ch., Wu, J. Communication-Efficient Modeling with Penalized Quantile Regression for Distributed Data. Complexity, 2021, 6341707 (2021). https://doi.org/10.1155/2021/6341707
  9. Henriques, J., Caldeira, F., Cruz, T., Simões, P. Combining K-Means and XGBoost Models for Anomaly Detection Using Log Datasets. Electronics 9, 1164 (2020). https://doi.org/10.3390/ electronics9071164
  10. Koenker, R., Basset, G. Regression quantiles. Econometrica, 46, 33–50 (1978). https://doi. org/10.2307/1913643
  11. Konstantopoulos S., Li W., Miller S., van der Ploeg A. Using Quantile Regression to Estimate Intervention Effects Beyond the Mean. Educational and Psychological Measurement 79(5), 883–910 (2019). https://doi. org/10.1177/0013164419837321
  12. Li J., Jiang Y. The Research Trend of Big Data in Education and the Impact of Teacher Psychology on Educational Development During COVID-19: A Systematic Review and Future Perspective. Front. Psychol. 12, 753388 (2021). https://doi.org/10.3389/fpsyg.2021.753388
  13. Park Y.-E. Uncovering trend-based research insights on teaching and learning in big data. Journal of Big Data 7 (93), 1–17 (2020). https:// doi.org/10.1186/s40537-020-00368-9
  14. Porter, S.R. Quantile regression: Analyzing changes in distributions instead of means. In: M. B. Paulsen (Ed.), Higher education: Handbook of theory and research, vol. 30, 335–381. Springer, Cham (2015). https://doi. org/10.1007/978-3-319-12835-1_8
  15. Rangvid, B. School composition effects in Denmark: quantile regression evidence from PISA 2000. Empirical Economics 33, 359–388 (2007). https://doi.org/10.1007/s00181-007-0133-6
  16. Rocklin M. Dask: Parallel Computation with Blocked algorithms and Task Scheduling. In: Proceedings of the 14th Python in Science Conference, pp. 126–132, (2015) https://doi. org/10.25080/Majora-7b98e3ed-013
  17. Sorensen, L. “Big Data” in Educational Administration: An Application for Predicting School Dropout Risk. Educational Administration Quarterly 55, 404–446 (2019). https://doi. org/10.1177/0013161X18799439
  18. Tian, M. A Quantile Regression Analysis of Family Background Factor Effects on Mathematical Achievement. Journal of Data Science 4, 461–478 (2006). https://doi.org/10.6339/ JDS.2006.04(4).283
  19. Ustin, P., Sabirova E., Alishev T., Gafarov F. Key Factors of Teacher’s Professional Success in the Digital Educational Environment. ARPHA Proceedings 5: 1747-1761 (2022) https:// doi.org/10.3897/ap.5.e1747
  20. Yu, K. Quantile Regression: Applications and Current Research Areas. Journal of the Royal Statistical Society Series D (The Statistician) 52(3), 331–350 (2003). https://doi. org/10.1111/1467-9884.00363
  21. Yuan, X., Li, Y., Dong, X., Liu T. Optimal subsampling for composite quantile regression in big data. Statistical Papers (2022). https://doi. org/10.1007/s00362-022-01292-1

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».