МОДЕЛЮВАННЯ НАВЧАЛЬНИХ РЕЗУЛЬТАТІВ СТУДЕНТІВ ІЗ ВИКОРИСТАННЯМ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ
Нікіфоров Р. О., Ткаченко Л. А.
DOI:
https://doi.org/10.31392/NZ-udu-162.2025.03Ключові слова:
прогнозна аналітика, моделювання, продуктивність, машинне навчання, навчальний процесАнотація
Прогнозна аналітика передбачає застосування методів статистики та алгоритмів машинного навчання з метою передбачення майбутніх результатів і показників ефективності. До її інструментарію належать, зокрема, інтелектуальний аналіз даних і моделі прогнозування, які надають можливість оцінити ймовірність майбутніх подій і сприяють прийняттю обґрунтованих рішень.
У статті розглянуто проблему прогнозування академічної успішності студентів із застосуванням алгоритмів машинного навчання. Аналіз та апробація відповідних методів стали важливим етапом у напрямі вдосконалення освітньої аналітики та підвищення якості навчального процесу. З'ясовано основні етапи, які проходять дані під час створення, навчання та впровадження моделі прогнозування, зокрема збір даних, попередня обробка даних, вибір моделі машинного навчання, навчання моделі, оптимізація параметрів, застосування попередньо навченої моделі до нових даних. В межах дослідження було розглянуто і протестовано декілька моделей машинного навчання з метою визначення їх ефективності у задачах передбачення результатів навчання.
Було здійснено оцінку основних метрик продуктивності моделей, що дало змогу провести якісний аналіз їхньої точності. Результати матриці помилок свідчать про задовільну роботу моделей після здійснення оптимізації їхніх гіперпараметрів. Здебільшого моделі продемонстрували високий рівень точності класифікації. Окрім цього, було продемонстровано практичне використання побудованих моделей для аналізу нових даних.
Загалом реалізовано ефективне рішення задачі прогнозного моделювання з використанням алгоритмів RandomForest та XGBoost, яке може бути адаптоване для подальшого вдосконалення та реального впровадження у практику. З освітнього погляду, застосування таких моделей дозволяє завчасно ідентифікувати студентів із потенційно низькою успішністю.
Посилання
Зубрицький В. В. Огляд методів та технологій штучного інтелекту в електронному навчанні. Сучасні виклики і актуальні проблеми науки, освіти та виробництва: міжгалузеві диспути [зб. наук. пр.] : матеріали XXIV міжнародної науково-практичної інтернет-конференції (м. Київ, 28 січня 2022 р.). Київ, 2022. С. 43-45.
Zubrytskyi Vasyl, Vakaliuk Tetiana. Overview of methods of intellectual data analysis. Тези доповідей II Міжнародної студентської наукової конференції (Т. 2), м. Одеса, 17 грудня 2021.
Chilukuri K. C. A novel framework for active learning in engineering education mapped to course outcomes. Procedia Computer Science, 172, 2020. P. 280-33.
Dewan M. A. A., Murshed M., Lin F. Engagement detection in online learning: a review. Smart Learning Environments, 6 (1), 2019.
Python Documentation. URL : https://www.python.org/doc/.
Ko C. Y., Leu F.-Y. Examining successful attributes for undergraduate students by applying machine learning techniques. IEEE Transactions on Education, 64 (1), 2021. Р. 50-57.
Krawczyk B., Minku L. L., Gama J., Stefanowski J., Woźniak M. Ensemble learning for data stream analysis: A survey. Information Fusion, 37, 2017. Р. 132-156.
Liu Z., Yang C., Rüdian S., Liu S., Zhao L., Wang T. Temporal emotion-aspect modeling for discovering what students are concerned about in online course forums. Interactive Learning Environments, 27(5-6), 2019. Р. 598-627. URL : https://www.tandfonline.com/doi/full/10.1080/10494820.2019.1610449.
Liu Z., Zhang N., Peng X., Liu S., Yang Z., Peng J., Su Z., Chen J. Exploring the relationship between social interaction, cognitive processing and learning achievements in a MOOC discussion forum. Journal of Educational Computing Research, 60 (1), 2022. Р. 132-169. URL : https://journals.sagepub.com/ doi/10.1177/07356331211027300.
Moscoso-Zea O., Paredes-Gualtor J., Lujan-Mora S. A holistic view of data warehousing in education. IEEE Access, 6, 2018. Р. 64659-64673.
Moscoso-Zea O., Lujan-Mora S. Knowledge management in higher education institutions for the generation of organizational knowledge. In 2017 12th Iberian Conference on Information Systems and Technologies (CISTI). 2017.
Russell R. Machine learning step-by-step guide to implement machine learning algorithms with Python. Editorial : Columbia, Sc. 2018.
Shahiri A. M., Husain W., Rashid N. A. A review on predicting student’s performance using data mining techniques. Procedia Computer Science, 72, 2015. Р. 414-422.
