Интеллектуальный анализ образовательных данных: прогнозирование академической успеваемости студентов с использованием алгоритмов машинного обучения

Интеллектуальный анализ образовательных данных стал эффективным инструментом для изучения скрытых взаимосвязей в образовательных данных и прогнозирования академических достижений студентов. В данном исследовании предлагается модель на основе алгоритмов машинного обучения для прогнозирования итоговых оценок студентов бакалавриата с использованием промежуточных (середина семестра) оценок в качестве исходных данных. Были рассчитаны и сопоставлены показатели работы алгоритмов random forests (случайные леса), nearest neighbour (ближайший сосед), support vector machines (метод опорных векторов), logistic regression (логистическая регрессия), Naïve Bayes (наивный Байес) и k-nearest neighbour (k-ближайших соседей) при прогнозировании итоговых оценок студентов. Набор данных включал академические оценки 1 854 студентов, посещавших курс Turkish Language-I в государственном университете Турции в осеннем семестре 2019–2020 годов. Результаты показывают, что предложенная модель достигла точности классификации 70–75%. Прогнозы выполнялись с использованием только трёх типов параметров: оценки за промежуточные экзамены, данные о кафедре и данные о факультете. Подобные исследования на основе данных важны для создания системы learning analytics (аналитики обучения) в высшем образовании и для содействия процессам принятия решений. В заключение, исследование вносит вклад в раннее выявление студентов с высоким риском неуспеха и определяет наиболее эффективные методы машинного обучения.