БІЛІМ БЕРУ АҚПАРАТТЫҚ ЖҮЙЕЛЕРІНДЕГІ БІЛІМ АЛУШЫЛАРДЫҢ ОҚУ ҮЛГЕРІМІН МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ПАЙДАЛАНЫП МОДЕЛЬДЕУ ЖӘНЕ БОЛЖАУ

Бұл мақалада білім беру жүйелерінде білім алушылардың оқу үлгерімінің динамикасын модельдеудің және болжаудың заманауи тәсілдері машиналық оқыту (МО) әдістерін қолдану арқылы қарастырылады.
Зерттеу қолданыстағы әдістемелік тәсілдерді, дайын шешімдер мен коммерциялық платформаларды егжей-тегжейлі талдауды, білім беру саласында деректерді талдау алгоритмдерін пайдалануды сипаттайтын әдеби көздерге шолуды, сонымен қатар жеке (меншікті) модельді әзірлеуге қажет деректерді жинауды, өңдеуді, әдістер мен алгоритмдерді таңдауды және білім алушылардың оқу үлгерімін болжауды қамтиды.
Зерттеу барысында қолданыстағы әдістемелік тәсілдер, дайын шешімдер мен коммерциялық платформалар егжей-тегжейлі талданады, білім беру саласында деректерді талдау алгоритмдерін қолдануға арналған әдебиеттерге шолу жасалды және деректерді жинау, өңдеу, модельдер мен алгоритмдерді таңдау, оқу үлгерімін болжауды қамтитын жеке (меншікті) модель әзірленді.
Білім беру процесін талдауға, болжауға және оңтайландыруға қажет машиналық оқыту әдістері пайдаланатын бірқатар танымал дайын шешімдер мен коммерциялық платформалар зерттелді:Blackboard Predict, Civitas Learning, Knewton Adaptive Learning Platform, DreamBox Learning, IBM Watson Education, SAS Campus Analytics.
Болжау нәтижесіне әсер ететін жалпы атрибуттардың салмақтары зерттелді және жеке белгілердің болжамдарға қалай әсер ететіні талданды.
Мақалада нейрондық желілерді қолдану болжау дәлдігін едәуір арттыратыны көрсетілген, сондықтан олар білім беру мекемелерін басқарудың және жедел басқарушылық шешімдерді қабылдаудың маңызды құралы болып табылады. Алайда, бұл алгоритмнің кемшілігі – есептеу қуаты төмен компьютерлерде МО уақытының ұзақтығы. Сондықтан жеке (меншікті) модельді әзірлеу барысында басқа алгоритмдер де қарастырылды.
Зерттеу нәтижелері сызықтық регрессиямен салыстырғанда ансамбльдік әдістердің болжау қателіктерін едәуір төмендететінін және оқыту мен болжауға әлдеқайда аз уақыттың жұмсаланатынын көрсетті.

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.