Современные образовательные учреждения сталкиваются с необходимостью анализа больших объемов данных, связанных с академической деятельностью студентов.
Прогнозирование академической успеваемости с использованием алгоритмов машинного обучения (МЛ) позволяет не только эффективно оценивать текущие достижения студентов, но и предсказывать их будущие результаты, что способствует своевременному предоставлению поддержки. В данной статье рассматриваются основные алгоритмы машинного обучения, такие как регрессия, кластеризация и рекомендательные системы, применяемые для прогнозирования успеваемости. Особое внимание уделено точности прогнозов и раннему выявлению студентов, которым требуется дополнительная помощь.
В условиях цифровизации образовательного процесса увеличивается объем данных, которые могут быть использованы для анализа и прогнозирования академической успеваемости студентов [1, c. 62]. Эти данные включают информацию о посещаемости занятий, оценках, активности в обучении и использовании электронных образовательных ресурсов.
Для обработки таких больших объемов данных традиционные методы анализа оказываются неэффективными. Алгоритмы машинного обучения предлагают новые подходы к анализу данных, позволяя выявлять скрытые закономерности и делать точные прогнозы [2, c. 276].
Использование машинного обучения в образовательной аналитике открывает возможности для своевременного выявления студентов с риском отчисления и предоставления им необходимой поддержки, что способствует повышению общего уровня успеваемости и снижению оттока студентов. В этой статье будут рассмотрены основные алгоритмы машинного обучения, такие как регрессия, кластеризация и рекомендательные системы, их применение в прогнозировании успеваемости студентов и практическая ценность.
Алгоритмы машинного обучения для прогнозирования успеваемости:
1. Регрессия
Регрессионные алгоритмы являются одними из самых популярных методов для прогнозирования количественных показателей на основе имеющихся данных. В контексте академической аналитики регрессия может использоваться для прогнозирования будущих оценок студентов на основе их прошлых результатов, посещаемости, активности и других факторов.
Линейная регрессия позволяет предсказывать оценку студента по одному или нескольким параметрам. Например, модель может учитывать успеваемость по предыдущим курсам, количество посещенных занятий и выполненные задания. Это простой, но эффективный способ прогнозирования, который помогает выявить студентов, у которых есть проблемы с обучением, до наступления экзаменационного периода.
Пример: модель линейной регрессии, обученная на данных предыдущих экзаменов, может предсказать итоговую оценку студента с высокой точностью, что позволит преподавателям своевременно предложить помощь слабым студентам.
Однако регрессия не всегда может эффективно справляться с высокоразмерными данными и сложными нелинейными зависимостями, что требует применения более сложных моделей.
2. Кластеризация
Кластеризация используется для разделения данных на группы по схожим признакам. Этот метод особенно полезен для выявления групп студентов с похожими уровнями успеваемости или вовлеченности в учебный процесс. Например, кластеризация может
разделить студентов на группы «с высоким риском отчисления», «среднеуспевающие» и «высокоуспевающие», что позволит преподавателям сосредоточиться на поддержке нуждающихся студентов.
Метод K-средних — один из самых распространенных алгоритмов кластеризации, который группирует студентов по сходству данных (например, по их успеваемости, посещаемости или активности в электронных курсах). Преподаватели могут использовать эту информацию для персонализации учебного процесса, выделяя больше времени на консультации с учащимися, находящимися в зоне риска.
Пример: кластеризация по академической активности позволяет выявить студентов, которым требуется дополнительное внимание на основе их активности в электронных образовательных системах.
Кластеризация эффективно справляется с задачей сегментации студентов и помогает выделить группы, требующие разных подходов к обучению, что способствует повышению их академической успеваемости.
3. Рекомендательные системы
Рекомендательные системы позволяют на основе данных о прошлых успехах студентов и их интересах предлагать персонализированные учебные материалы, дополнительные курсы или задания, способствующие повышению их успеваемости. Это особенно полезно в системах онлайн-обучения, где студентам предоставляется доступ к большому количеству учебных материалов.
Коллаборативная фильтрация — один из популярных методов, используемый в рекомендательных системах. Она может предложить студенту курсы и материалы, исходя из интересов и успеваемости студентов с аналогичными профилями. Таким образом, система поддерживает студентов, предлагая ресурсы, которые помогут улучшить их успеваемость.
Пример: студентам, которые испытывают трудности в каком-то конкретном предмете, рекомендательная система может предложить дополнительные материалы, на основе их активности и предпочтений других студентов, достигших успеха.
Рекомендательные системы помогают повысить мотивацию студентов за счет персонализированного подхода к учебе и, в конечном итоге, улучшают их результаты.
Прогнозирование успеваемости с использованием методов машинного обучения обладает рядом значительных преимуществ:
– раннее выявление студентов с рисками: алгоритмы машинного обучения позволяют заблаговременно выявлять студентов, которым требуется помощь, что помогает предотвратить их отчисление;
– персонализация обучения: алгоритмы могут на основе данных предлагать индивидуальные траектории обучения, что позволяет улучшить качество образования для каждого студента;
– точность прогнозов: методы машинного обучения, особенно с использованием сложных алгоритмов, обеспечивают высокую точность прогнозов, что помогает улучшить принятие решений.
Однако, несмотря на эти преимущества, существуют и вызовы:
– качество данных: для работы алгоритмов машинного обучения требуются точные и полные данные. Ошибки в данных могут привести к неправильным прогнозам;
– конфиденциальность и этика: обработка данных студентов требует строгого соблюдения норм защиты данных и конфиденциальности;
– сложность интерпретации: сложные модели машинного обучения, такие как нейронные сети, могут быть трудны для интерпретации преподавателями, что может усложнить их использование.
Применение машинного обучения для прогнозирования академической успеваемости студентов открывает новые возможности для улучшения образовательного процесса [2, c. 276].
Алгоритмы регрессии, кластеризации и рекомендательных систем позволяют не только точно прогнозировать успеваемость, но и вовремя выявлять студентов с рисками отчисления, что способствует их поддержке. Эти подходы помогают повысить мотивацию студентов и качество образования за счет персонализированного подхода. Однако для успешного применения этих методов необходимы качественные данные и учет этических аспектов при обработке информации.
Будущие исследования в этой области могут быть сосредоточены на развитии более сложных моделей и алгоритмов для повышения точности прогнозов, а также на интеграции образовательной аналитики с существующими информационными системами в учебных заведениях [3, c. 60].
Литература:
- Вилкова К. А. Учебная аналитика в традиционном образовании: ее роль и результаты / К. А. Вилкова, У. С. Захарова // Университетское управление: практика и анализ. — 2020. — Т.24. — № 3. — С.59–76.
- Кустицкая Т. А. Развитие учебной аналитики в России / Т. А. Кустицкая, М. В. Носков // Информатизация образования и методика электронного обучения: цифровые технологии в образовании. Материалы V Международной научной конференции. В 2-х частях. Под общей редакцией М. В. Носкова. Красноярск, 2021. — С.273–278.
- Царькова Е. Г. Учебная аналитика в дистанционном обучении: особенности применения и перспективы развития / Е. Г. Царькова // Прикладная психология и педагогика. — 2022. — Т.7. — № 3. — С.54–66.
