DOI: 
http://dx.doi.org/10.15293/1813-4718.2201.09
УДК: 
378.1+004.8
Токтарова Вера Ивановна
Доктор педагогических наук, профессор кафедры прикладной математики и информатики, советник ректората, Марийский государственный университет, toktarova@yandex.ru, Йошкар-Ола
Пашкова Юлия Алексеевна
магистрант физико-математического факультета по направлению подготовки «Информационные системы и технологии», Марийский государственный университет, pashkova_97.1998@mail.ru, Йошкар-Ола

Предиктивная аналитика в цифровом образовании: анализ и оценка успешности обучения студентов

Аннотация: 
Проблема и цель. В статье актуализируется проблема моделирования процесса обучения в условиях электронной информационно-образовательной среды, основанного на использовании данных учебной аналитики. Цель статьи – раскрыть и обосновать возможности использования методов предиктивной аналитики для анализа и оценки успешности обучения студентов на основе их текущих образовательных результатов. Методология. При проведении исследования были использованы теоретические, эмпирические и математические методы. Построение прогнозной модели производилось на основе технологий интеллектуального анализа и обработки больших данных (Data Mining). Результаты исследования. Обоснована актуальность использования методов анализа больших данных в образовательной сфере для повышения качества и эффективности учебно-педагогического процесса. Приведены определения технологии интеллектуального анализа и обработки больших данных (Data Mining), рассмотрены ее виды (описательная, диагностическая, предиктивная и предписывающая). Описаны методы машинного обучения, применяемые в алгоритмах предиктивной аналитики. Приведены примеры использования методов прогнозной аналитики в различных сферах деятельности. Описан алгоритм проектирования и разработки прогностической модели. На его основе предложена предиктивная модель для анализа и оценки успешности обучения студентов, реализованная в рамках экспериментального исследования по учебному модулю «Методы оптимизации». Для оценки качества модели были применены методы линейной и логистической регрессии, глубоких нейронных сетей и дерево решений. В заключении делается вывод, что разработка и реализация модели на основе совокупности методов дает синергетический эффект – возможность максимально учитывать особенности работы обучающегося с учебным материалом и степень его усвоения. И как следствие, позволяет повысить уровень подготовки студентов, улучшить качество предоставляемого учебного материала в электронной среде, построить индивидуальную траекторию обучения и способствовать устранению проблемы отчисления студентов за счет своевременного принятия мер.
Ключевые слова: 
анализ больших данных, предиктивная аналитика, цифровое образование, успешность обучения, модель, студент, вуз
Для доступа к полному тексту необходимо зарегистрироваться
Библиографический список: 

1. Быстрова Т. Ю., Ларионова В. А., Синицын Е. В., Толмачев А. В. Учебная аналитика МООК как инструмент прогнозирования успешности обучающихся // Вопросы образования. – 2018. – № 4. – С. 139–166.
2. Вилкова К. А., Захарова У. С. Учебная аналитика в традиционном образовании: её роль и результаты // Университетское управление: практика и анализ. – 2020. – № 24 (3). – С. 59–76.
3. Гусев А. В., Новицкий Р. Э. Технологии прогнозной аналитики в борьбе с пандемией COVID-19 // Искусственный интеллект в здравоохранении. – 2020. – № 4. – С. 25–32.
4. Железнов М. М. Методы и технологии обработки больших данных. – М.: Издательство МИСИ – МГСУ, 2020. – 46 с.
5. Козлова И. В., Саидахмедова М. Б. Аналитика в теоретическом спектре цифровизации высших учебных заведений на основе обзора зарубежных источников // Международный научно-исследовательский журнал. – 2021. – № 4 (106). – С. 123–126.
6. Котова Е. Е. Прогнозирование успешности обучения в интегрированной образовательной среде с применением инструментов онлайн аналитики // Компьютерные инструменты в образовании. – 2019. – № 4. – С. 55–80.
7. Лимановская О. В., Алферьева Т. И. Основы машинного обучения. – Екатеринбург: Изд-во Урал. ун-та, 2020. – 88 с.
8. Национальная программа «Цифровая экономика Российской Федерации» [Электронный ресурс] // Информационно-правовой портал «Гарант». – URL: https://base.garant.ru/72296050/ (дата обращения: 10.08.2021).
9. Озерова Г. П., Павленко Г. Ф. Прогнозирование успешности студентов при смешанном обучении с использованием данных учебной аналитики // Science for Education Today. – 2019. – Т. 9, № 6. – С. 73–87.
10. Патаракин Е. Д. Совместная сетевая деятельность и поддерживающая её учебная аналитика // Высшее образование в России. – 2015. – № 5. – С. 145–154.
11. Патаракин Е. Д. Учебная аналитика совместной сетевой деятельности // Школьные технологии. – 2015. – № 4. – С. 80–86.
12. Указ Президента РФ от 07.05.2018 г. № 204 «О национальных целях и стратегических задачах развития РФ на период до 2024 года» [Электронный ресурс] // Информационно-правовой портал «Гарант». – URL: https://base.garant.ru/71937200/ (дата обращения: 10.08.2021).
13. Указ Президента РФ от 09.05.2017 г. № 203 «О Стратегии развития информационного общества в Российской Федерации на 2017–2030 годы» [Электронный ресурс] // Информационно-правовой портал «Гарант». – URL: https://www.garant.ru/pro-ducts/ipo/prime/doc/71570570/ (дата обращения: 10.08.2021).
14. Федин Ф. О., Федин Ф. Ф. Анализ данных. Инструменты Data Mining. – М.: Московский городской педагогический университет, 2012. – 308 с.
15. Чубукова И. А. Data Mining. – М., Саратов: Национальный Открытый Университет «ИНТУИТ», Ай Пи Ар Медиа, 2020. – 469 с.
16. Anthony Dalton, Justin Beer, Sriharshasai Kommanapalli, James S. Lanich. Machine Learning to Predict College Course Success // SMU Data Science Review. – 2018. – Vol. 1. – № 2. – Art. 1.
17. D. Revina Rebecca, Mahammad Ashraf, Partha Pratim Sarkar. A Classification based predictive model to predict students aspiring for higher education // Proceedings of the 2nd National Conference on Advanced Computing Technologies and Applications (NCACTA 2019). – 2019.
18. Fazal Aman, Azhar Rauf, Rahman Ali, Farkhund Iqbal, Asad Masood Khattak. A Predictive Model for Predicting Students Academic Performance // Proceedings of the 10th International Conference on Information, Intelligence, Systems and Applications (IISA). – 2019. – DOI: 10.1109/IISA.2019.8900760
19. SmartDataCollective [Электронный ресурс] // Сайт о больших данных, аналитике, искусственном интеллекте и облаке. – URL: https://www.smartdatacollective.com/amazon-using-big-data-analytics-read... (дата обращения: 10.08.2021).
20. Systems Engineering Thinking Wiki [Электронный ресурс] // Сайт о системной инженерии, проектном управлении и смежных областях. – URL: http://sewiki.ru/Data_Mining (дата обращения: 10.08.2021).
21. Tech Funnel [Электронный ресурс]. – URL: https://www.techfunnel.com/hr-tech/top-3-examples-of-predictive-analytic... (дата обращения: 10.08.2021).
22. Usman Ashfaq, Booma P. M., Raheem Mafas. Managing Student Performance: A Predictive Analytics using Imbalanced Data // International Journal of Recent Technology and Engineering (IJRTE). – 2020. – P. 2277–2283.
23. Vaibhav Kumar M. L. Garg. Predictive Analytics: A Review of Trends and Techniques // International Journal of Computer Applications. – 2018. – P. 31–37.