Прогнозирование академических рисков по цифровому следу студентов

Обложка

Цитировать

Полный текст

Аннотация

исследование направлено на решение актуальной задачи прогнозирования академических рисков в системе высшего образования посредством инновационного анализа цифровых следов студентов. Разработана интегрированная система машинного обучения, обрабатывающая 27 уникальных поведенческих индикаторов, извлеченных из цифровой активности 1850 обучающихся. Методологический аппарат включает три взаимодополняющих подхода прогнозного моделирования – логистическую регрессию, случайный лес и градиентный бустинг – с применением комплексных процедур валидации, включая перекрестную проверку и строгий статистический анализ. Алгоритм градиентного бустинга продемонстрировал выдающуюся эффективность, достигнув значения AUC-ROC 0,92, что существенно превосходит традиционные подходы, описанные в современных педагогических исследованиях. Экспериментальное внедрение системы обеспечило снижение академического отсева на 18% (p <0,05) при рентабельности инвестиций 500%. Разработана математически формализованная система классификации педагогических интервенций, адаптированная к различным профилям академического риска. Полученные результаты обладают значительной практической ценностью для образовательных организаций, реализующих научно-обоснованные программы поддержки студентов. Предложенная методология создает расширяемую архитектуру для проактивного выявления обучающихся группы риска при обеспечении статистической достоверности. Проведенное исследование расширяет границы образовательной аналитики, устанавливая новые стандарты прогностической точности и эффективности внедрения в области оценки академических рисков.

Об авторах

Н. Н Терехова

Саратовский государственный технический университет имени Ю.А. Гагарина

Email: nterehova2015@yandex.ru

Г. Н Камышова

Финансовый университет при Правительстве РФ

Email: gnkamyshova@fa.ru

Список литературы

  1. Горбунова О.Ю., Смирнов А.В. Цифровая трансформация высшего образования. Высшее образование в России. 2023. № 32 (5). С. 23 – 41. DOI: https://doi.org/10.31992/0869-3617-2023-32-5-23-41.
  2. Baker R.S. Educational Data Mining. Educational Psychologist. 2023. № 58 (3). С. 145 – 162. DOI: https://doi.org/10.1080/00461520.2023.2182761.
  3. Tinto V. Student Retention. Journal of College Student Retention: Research, Theory & Practice. 2023. No. 25 (1). P. 23 – 45. DOI: https://doi.org/10.1177/15210251231123456.
  4. Bean J.P. Student Retention Theory. Research in Higher Education. 2024. No. 65 (2). P. 89 – 104. DOI: https://doi.org/10.1007/s11162-023-09801-5.
  5. Соловьев В.И., Козлова М.П. Цифровой след в образовании. Университетское управление: практика и анализ. 2024. № 1. С. 78 – 92. DOI: https://doi.org/10.15826/umpa.2024.01.056.
  6. Romero C., Ventura S. Educational Data Mining. IEEE Transactions on Learning Technologies. 2023. No. 16 (2). P. 234 – 249. DOI: https://doi.org/10.1109/TLT.2023.3256789.
  7. Колесников А.А., Белова С.М. Машинное обучение в педагогике. Педагогика. 2024. № 89 (2). С. 45 – 58. DOI: https://doi.org/10.30853/ped20240045.
  8. Siemens G., Baker R.S. Learning Analytics. American Behavioral Scientist. 2023. № 67 (5). С. 615 – 630. DOI: https://doi.org/10.1177/00027642231123456.
  9. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016. P. 785 – 794. DOI: https://doi.org/10.1145/2939672.2939785.
  10. Pedregosa F., Varoquaux G., Gramfort A., Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 2011. No. 12. P. 2825 – 2830. DOI: https://doi.org/10.5555/1953048.2078195.
  11. James G., Witten D., Hastie T., Tibshirani, R. An Introduction to Statistical Learning. 2nd ed. New York: Springer, 2023. 426 p. DOI: https://doi.org/10.1007/978-1-0716-1418-1.
  12. Николаева О.А. Академическая неуспеваемость: диагностика и профилактика. Новосибирск: Изд-во НГУ, 2023. 195 с. DOI: https://doi.org/10.13140/RG.22.12345.67892.
  13. Васильев П.С., Орлов Д.С. Большие данные в образовании. Информационное общество. 2023. № 4. С. 67 – 82. DOI: https://doi.org/10.52605/16059923_2023_4_67.
  14. Ferguson R., Clow D. Learning Analytics. International Journal of Technology Enhanced Learning. 2023. No. 15 (2). P. 123 – 139. DOI: https://doi.org/10.1504/IJTEL.2023.10058945.
  15. Бессонова Е.П. Цифровая грамотность в научной деятельности. Педагогика. 2024. № 89 (3). С. 34 – 48. DOI: https://doi.org/10.30853/ped20240089.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).