4-санға «Автоматтандыру және ақпараттық технологиялар», «Азық-түлік инженериясы және биотехнология», сондай-ақ «Химиялық технология» бағыттары бойынша мақалалар қабылдау жабылды.

Приём статей в четвёртый номер по направлениям «Автоматизация и информационные технологии», «Пищевая инженерия и биотехнология», а также «Химическая технология» закрыт.

Submissions for the fourth issue in the fields of Automation and Information Technology, Food Engineering and Biotechnology, as well as Chemical Technology, are now closed.

Preview

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Кеңейтілген іздеу

МАШИНАЛЫҚ ОҚЫТУ АЛГОРИТМДЕРІНЕ НЕГІЗДЕЛГЕН СТУДЕНТТЕРДІҢ СТРЕСІНІҢ ЖІКТЕУІ

https://doi.org/10.53360/2788-7995-2026-3(23)-6

Толық мәтін:

Аңдатпа

Сауалнама құралдары білім беру мекемелеріндегі студенттердің стресін кең көлемді мониторингтеу үшін ең тәжірибелік тәсіл болып табылады. Ал қабылданған стрес шкаласы әртүрлі жағдайларда өзінің тиімділігін дәлелдеуді жалғастыруда. Бұл зерттеу класстағы теңгерімсіздігі айқын, кестелік, көп сыныптық студенттердің сауалнамасындағы заманауи стандартты машиналық оқыту әдістерінің тиімділігін бағалайды. Екі кезеңді бағалау жүргізілді. Біріншіден, әртүрлі үлгі өлшемдеріндегі орнықтылықты тексеру үшін бес оқыту-сынақ режимінде (90/10, 80/20, 70/30, 60/40, 50/50) шешім ағаштары, кездейсоқ орман және k-жақын көршілер (KNN) салыстырылды. Екіншіден, SMOTE стиліндегі қайта іріктеуді қолдана отырып, 80/20 бөлінуіне теңгерімсіздікке бейімделген эксперимент жасалып, кездейсоқ орман, градиентті бустинг пен XGBoost салыстырылды. Қиғаш үлестірімдері бар көп класты нысандарға жарамды макроорташаланған метрикалар ұсынылды. Бес салыстыру бойынша кездейсоқ орман және KNN алгоритмдері шешім ағашы алгоритмінен асып түсті. Бұл нәтижелер шешім ағашына негізделген ансамбльдердің типтік кестелік деректерде басым екендігі туралы соңғы зерттеулермен, сондайақ ансамбльдердің стреске байланысты жіктеу үшін сенімді екендігі туралы есептермен сәйкес келеді. 80/20 бөлінуінде RF және XGBoost макро-F1 ≈ 0,73 кезінде теңеседі, ал қосымша SVM (RBF) 0,86 макро-F1 ең жақсы мәніне жетеді. Кластерлеу және проекциялау нәтижелері студенттердің стресс реакцияларының дискретті топтардан гөрі үздіксіз континуум түрінде қалыптасатынын растады

Авторлар туралы

О. Умаров
Astana IT University
Қазақстан

Олжас Аслзадаевич Умаров – 3-курс студенті

010000, Қазақстан Республикасы, Астана, Мәңгілік Ел даңғылы, 55/11, C1 блогы 



Ж. Оралбекова
Astana IT University
Қазақстан

Жанар Орымбаевна Оралбекова – PhD, қауымдастырылған профессор, Жасанды интеллект және деректер ғылымы мектебінің профессоры м.а.

 010000, Қазақстан Республикасы, Астана, Мәңгілік Ел даңғылы, 55/11, C1 блогы



Ш. Туткышбаева
Astana IT University
Қазақстан

Шырын Сарыбайевна Туткышбаева – PhD, Бағдарламалық инженерия мектебінің ассистент профессоры

 010000, Қазақстан Республикасы, Астана, Мәңгілік Ел даңғылы, 55/11, C1 блогы



Д. Оралбекова
Ақпараттық және есептеуіш технологиялар институты
Қазақстан

Дина Орымбаевна Оралбекова – PhD, қауымдастырылған профессор, аға ғылыми қызметкері

050010, Қазақстан Республикасы, Алматы, Шевченко көшесі, 28



Г. Тюлепбердинова
Әл-Фараби атындағы Қазақ ұлттық университеті
Қазақстан

Гульнур Алпыскызы Тюлепбердинова – физика-математика ғылымдарының кандидаты, Жасанды интеллект және Big Data кафедрасының қауымдастырылған профессоры 

050040, Қазақстан Республикасы, Алматы, Әл-Фараби даңғылы, 71



Әдебиет тізімі

1. Brown T.A., Sellbom M. Further validation of the Personality Disorder Severity for ICD-11 (PDS-ICD-11) scale in a community mental health sample // Psychological Assessment. – 2023. – Vol. 35(8). – P. 706–714. https://doi.org/10.1037/pas0001253

2. Breiman L. Random forests // Machine Learning. – 2001. – Vol. 45. – P. 5–32. https://doi.org/10.1023/A:1010933404324

3. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2016. – P. 785–794. https://doi.org/10.1145/2939672.2939785

4. Grinsztajn L., Oyallon E., Varoquaux G. Why do tree-based models still outperform deep learning on typical tabular data? // 36th Conference on Neural Information Processing Systems (NeurIPS 2022) Track on Datasets and Benchmarks [Electron. resource]. – 2022. – Vol. 35. – P. 507-520. – URL: https://proceedings.neurips.cc/paper_files/paper/2022/file/0378c7692da36807bdec87ab043cdadc-Paper-Datasets_and_Benchmarks.pdf (date of access: 3.01.2026).

5. Shwartz-Ziv R., Armon A. Tabular data: Deep learning is not all you need // Information Fusion. – 2022. – Vol. 81. – P. 84–90. https://doi.org/10.1016/j.inffus.2021.11.011.

6. Anand R.V., Md A.Q., Urooj S., Mohan S., Alawad M.A., Adittya C. Enhancing diagnostic decision making: Ensemble learning techniques for reliable stress level classification // Diagnostics. – 2023. – Vol. 13(22): 3455. https://doi.org/10.3390/diagnostics13223455.

7. Grandini M., Bagli E., Visani G. Metrics for multi-class classification: An overview [Electron. resource] // arXiv:2008.05756. – 2020. – URL: https://arxiv.org/abs/2008.05756 (date of access: 3.01.2026).

8. Saito T., Rehmsmeier M. The precision–recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets // PLOS ONE. – 2015. – Vol. 10(3): e0118432. https://doi.org/10.1371/journal.pone.0118432

9. Raschka S. Model evaluation, model selection, and algorithm selection in machine learning [Electron. resource] // arXiv:1811.12808. – 2018. – URL: https://arxiv.org/abs/1811.12808 (date of access: 3.01.2026).

10. Lemaître G., Nogueira F., Aridas C.K. Imbalanced-learn: A Python toolbox to tackle the curse of imbalanced datasets in machine learning [Electron. resource] // Journal of Machine Learning Research. – 2017. – Vol. 18. – P. 1–5. – URL: https://www.jmlr.org/papers/volume18/16-365/16-365.pdf (date of access: 3.01.2026).

11. Kaggle. Student Stress Monitoring Datasets [Electron. resource]. – 2025. – URL: https://www.kaggle.com/datasets/mdsultanulislamovi/student-stress-monitoring-datasets (date of access: 15.09.2025).


Рецензия

Дәйектеу үшін:


Умаров О., Оралбекова Ж., Туткышбаева Ш., Оралбекова Д., Тюлепбердинова Г. МАШИНАЛЫҚ ОҚЫТУ АЛГОРИТМДЕРІНЕ НЕГІЗДЕЛГЕН СТУДЕНТТЕРДІҢ СТРЕСІНІҢ ЖІКТЕУІ. Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы. 2026;(3(23)):54-62. https://doi.org/10.53360/2788-7995-2026-3(23)-6

For citation:


Umarov O., Oralbekova Zh., Tutkyshbayeva Sh., Oralbekova D., Tyulepberdinova G. STUDENT STRESS CLASSIFICATION BASED ON MACHINE LEARNING ALGORITHMS. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):54-62. https://doi.org/10.53360/2788-7995-2026-3(23)-6

Қараулар: 13

JATS XML


ISSN 2788-7995 (Print)
ISSN 3006-0524 (Online)
X