МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ В ОБРАЗОВАТЕЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМАХ УСПЕВАЕМОСТИ СТУДЕНТОВ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

В статье рассматриваются современные подходы к моделированию и прогнозированию динамики успеваемости обучающихся в образовательных системах с применением методов машинного обучения (МО). Исследование включает подробный анализ существующих методологических подходов, готовых решений и коммерческих платформ, обзор литературных источников, описывающих применение алгоритмов анализа данных в образовательной сфере, а также разработку собственной модели, охватывающей сбор данных, обработку, выбор методов и алгоритмов, прогнозирование успеваемости обучающихся.
Изучены различные популярные готовые решения и коммерческие платформы, которые используют методы МО для анализа, прогнозирования и оптимизации образовательных процессов: Blackboard Predict, Civitas Learning, Knewton Adaptive Learning Platform, DreamBox Learning, IBM Watson Education, SAS Campus Analytics. Исследованы веса общих атрибутов, которые влияют на прогнозирование и изучено каким образом отдельные признаки влияют на предсказания.
Представленная статья демонстрирует, что использование нейронных сетей позволяет существенно повысить точность прогнозирования, что является важным инструментом для управления образовательными учреждениями и принятия оперативных управленческих решений. Однако, одним из минусов этого алгоритма является большое время обучения на компьютерах с более низкими вычислительными показателями. Поэтому были рассмотрены и другие алгоритмы при создании собственной модели.
Результаты исследования показали, что ансамблевые методы обеспечивают значительно меньшую ошибку прогнозирования по сравнению с линейной регрессией, при этом обучение и выполнение предсказаний требуют существенно меньше времени.

1. Johnson A. Predictive Analytics in Education: Regression Models and Decision Trees / A. Johnson, B. Smith, C. Thompson // Journal of Educational Data Science. – 2015. – № 10(2). – Р. 115-132.

2. Lee S. Machine Learning Approaches for Student Performance Prediction / S. Lee, H. Kim // International Journal of Learning Analytics. – 2016. – № 8(1). – Р. 45-60.

3. Ivanov I.I. Primenenie metodov analiza dannykh v obrazovanii / I.I. Ivanov, P.P. Petrov // Vestnik obrasovatel'nykh issledovanij. – 2017. – № 4. – Р. 34-50.

4. Kumar R. Ensemble Methods for Forecasting in Education / R. Kumar, P. Rao // Computational Education Research. – 2018. – № 7(3). – Р. 142-157.

5. Singh D. Enhancing Predictive Accuracy with Random Forests in Educational Data / D. Singh, M. Patel // Advances in Educational Computing. – 2019. – № 12(4). – Р. 89-104.

6. Zhang Y. Gradient Boosting for Educational Forecasting / Y. Zhang, X. Li, M. Wang // IEEE Transactions on Education. – 2020. – № 63(2). – Р. 128-137.

7. Chen L. Deep Learning in Higher Education: A Survey / L. Chen, H. Zhang, Y. Liu // Journal of Educational Technology. – 2017. – № 14(3). – Р. 75-92.

8. Garcia M. Neural Networks for Student Engagement Analysis / M. Garcia, F. Martinez // Computers Education. – 2018. – № 120. – Р. 45-59.

9. Thompson R. Explainable AI in Education: Interpreting Deep Learning Models / R. Thompson, D. Johnson, J. Lee // Educational Data Mining Journal. – 2019. – № 9(2). – Р. 105-121.

10. Lee J. Interpretability of Neural Networks in Predictive Education Analytics / J. Lee // IEEE Access. – 2020. – № 8. – Р. 22345-22354.

11. White R. Data Quality in Educational Research: Issues and Solutions / R. White, E. Brown // International Journal of Educational Data Management. – 2016. – № 5(1). – Р. 67-82.

12. Aleksandrova M. Metody korreljacionnogo analiza v obrazovanii / M. Aleksandrova, A. Sidorov, O. Nikolaeva // Zhurnal prikladnoj statistiki. – 2018. – № 6(2). – Р. 94-110.

13. Smirnov D.L. Problemy ochistki i normalizatsii dannych v obrazovatel'nom analize / D.L. Smirnov // Izvestia vuzov. – 2017. – № 3. – Р. 56-69.

14. Kuznetcov V.V. Otbor priznakov v obrazovatel'nyh dannykh: teoreticheskie i prakticheskie aspekty / V.V. Kuznetcov // Nauchnyj vestnik obrazovaniya. – 2018. – № 2. – Р. 78-92.

15. Brown T. Optimizing Resource Allocation in Education Through Predictive Analytics / T. Brown, S. Wilson, K. Martin // Educational Management Review. – 2018. – № 11(3). – Р. 135-151.

16. Walker P. Strategic Planning in Education Using Machine Learning / P. Walker // Journal of Educational Policy. – 2019. – № 15(1). – Р. 49-66.

17. Petrova E.S. Primenenie metodov mashinnogo obucheniya dlya optimizatcii obrazovatel'nych program / E.S. Petrova // Obrazovatel'nye technologii segodnya. – 2019. – № 7. – Р. 88-104.

18. Nikolaev S.V. Prognozirovanie dinamiki obrazovatel'nych sistem na osnove bol'shikh dannykh / S.V. Nikolaev // Zhurnal innovacionnykh issledovanij v obrazovanii. – 2020. – № 5. – Р. 120-136.

19. Jones M. Comparative Analysis of Educational Forecasting Methods / M. Jones // Computers in Human Behavior. – 2016. – № 55. – Р. 234-241.

20. Miller S. Evaluating Predictive Models in Education: A Comparative Study / S. Miller // Journal of Learning Analytics – 2017. – № 4(2). – Р. 101-117.

21. Chen Z. Hybrid Models for Forecasting Student Performance / Z. Chen, Q. Li // IEEE Transactions on Learning Technologies. – 2018. – № 11(3). – Р. 158-168.

22. Zhao Y. Integrative Approaches to Educational Data Mining / Y. Zhao, W. Huang, F. Xu // International Journal of Educational Technology in Higher Education. – 2019. – № 16(1). – Р. 66-80.

23. Civitas Learning. Civitas Learning – Student Success Platform [Электронный ресурс]. – Режим доступа: https://www.civitaslearning.com (дата обращения: 21.10.2025).

24. A Method for Prediction and Analysis of Student Performance That Combines Multi-Dimensional Features of Time and Space / Zheng Luo et al // Journals Mathematics. – 2024. – Vol. 12? Issue 22. – H/ 3597. https://doi.org/10/3390/math12223597.

25. Vaarma M. Predicting student dropouts with machine learning: An empirical study in Finnish higher education / M. Vaarma, H. Li. // Journal Technology in Society. – 2024-03. – Vol. 76. – Article number 102474. – Р. 1-10.