Применение данных цифровой образовательной истории для прогнозирования риска неуспешности студента
Аннотация
В работе рассмотрено несколько постановок задачи прогнозирования успешности обучения на основе образовательных данных. Предложен подход к решению этих задач с использованием цифровой образовательной истории обучающихся - многомерных структурированных динамически изменяющихся данных об их образовательной деятельности и текущих результатах обучения. Сформулированы принципы проектирования базы образовательных данных, позволяющие формировать цифровую образовательную историю студента таким образом, чтобы максимально детально охарактеризовать его образовательный путь, как с точки зрения успеваемости, так и с точки зрения динамики образовательной активности и изменения траектории обучения. В ходе эмпирического исследования на основе образовательных данных студентов Сибирского федерального университета решались два типа задач прогнозирования успешности обучения для студентов: задача прогнозирования риска появления академических задолженностей и задача прогнозирования риска отчисления. Для этих типов задач была исследована предиктивная значимость показателей цифровой образовательной истории и эффект от использования этих показателей в предиктивных моделях с точки зрения качества прогнозирования. Подтверждено, что включение показателей цифровой образовательной истории в состав предикторов моделей позволяет значительно повысить точность прогнозирования отчислений. Выявлены наборы наиболее значимых предикторов таких прогнозных моделей. В состав этих наборов, в частности, вошли данные о предыдущих отчислениях студентов из вуза и причинах этих отчислений, академических отпусках и переводах, о динамике изменения оценок студентов в ходе пересдач. Включение данных цифровой образовательной истории в прогнозные, аналитические или описательные модели может быть полезно и для решения других задач учебной аналитики.
Литература
2. Wong B.T., Li K.C. A review of learning analytics intervention in higher education (2011-2018). Journal of Computers in Education. 2020;7(1):7-28. https://doi.org/10.1007/s40692-019-00143-7
3. Arnold K.E., Pistilli M.D. Course Signals at Purdue: Using learning analytics to increase student success. In: Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (LAK 12), Vancouver, BC, Canada. New York, NY, USA: Association for Computing Machinery; 2012. p. 267-270. https://doi.org/10.1145/2330601.2330666
4. Teasley S.D., Kay M., Elkins S., Hammond J. User-Centered Design for a Student-Facing Dashboard Grounded in Learning Theory. In: Sahin M., Ifenthaler D. (eds) Visualizations and Dashboards for Learning Analytics. Advances in Analytics for Learning and Teaching. Cham: Springer; 2021. p. 191-212. https://doi.org/10.1007/978-3-030-81222-5_9
5. Gonçalves A.L., Carlos L.M., da Silva J.B., Alves G.R. Personalized Student Assessment based on Learning Analytics and Recommender Systems. In: Proceedings of the 3rd International Conference of the Portuguese Society for Engineering Education (CISPEE). Aveiro, Portugal: IEEE Press; 2018. p. 1-7. https://doi.org/10.1109/CISPEE.2018.8593493
6. Yilmaz F.G.K, Yilmaz R. Learning analytics as a metacognitive tool to influence learner transactional distance and motivation in online learning environments. Innovations in Education and Teaching International. 2020;58(5):575-585. https://doi.org/10.1080/14703297.2020.1794928
7. Permana A.A.J., Pradnyana G.A. Recommendation Systems for internship place using artificial intelligence based on competence. Journal of Physics: Conference Series. 2019;1165(1):012007. https://doi.org/10.1088/1742-6596/1165/1/012007
8. Esin R.V., Kustitskaya T.A., Noskov M.V. Prognozirovanije uspeshnosti obuchenija po discipline na osnove universalnych pokazatelyej tzifrovogo sleda [Predicting academic performance in a course by universal features of LMS Moodle digital footprint]. Infornatica i obrazovanije = Informatics and Education. 2023;38(3):31-41. (In Russ., abstract in Eng.) https://doi.org/10.32517/0234-0453-2023-38-3-31-41
9. Ozerova G.P, Pavlenko G.F. Prediction of student performance in blended learning utilizing learning analytics data. Science for Education Today. 2019;9(6):73-87. https://doi.org/10.15293/2658-6762.1906.05
10. Arthars N., Dollinger M., Vigentini L., Liu D.Y.T., Kondo E., King D.M. Empowering Teachers to Personalize Learning Support. In: Ifenthaler D., Mah D.K., Yau J.Y.K. (eds.) Utilizing Learning Analytics to Support Study Success. Cham: Springer; 2019. p. 223-248. https://doi.org/10.1007/978-3-319-64792-0_13
11. Ortigosa A., Carro R.M., Bravo-AgapitoJ., Lizcano D., Alcolea J. J. Blanco Ó. From lab to production: Lessons learnt and real-life challenges of an early student-dropout prevention system. IEEE Transactions on Learning Technologies. 2019;12(2):264-277. https://doi.org/10.1109/TLT.2019.2911608
12. Mussida P., Lanzi P.L. A computational tool for engineer dropout prediction. In: 2022 IEEE Global Engineering Education Conference (EDUCON). Tunis, Tunisia: IEEE Press; 2022. p. 1571-1576. https://doi.org/10.1109/EDUCON52537.2022.9766632
13. Salas-Martínez Á., Ramírez-Martinell A. Learning Analytics in Higher Education: A Decade in Systematic Literature Review. Programming and Computer Software. 2024;50:690-700. https://doi.org/10.1134/S0361768824700701
14. Kustitskaya T.A., Esin R.V., Kytmanov A.A., Zykova T.V. Designing an Education Database in a Higher Education Institution for the Data-Driven Management of the Educational Process. Education Sciences. 2023;13(9):947. https://doi.org/10.3390/educsci13090947
15. Esin R.V., Zykova T.V., Kustitskaya T.A., Kytmanov A.A. Tzifrovaya obrazovatelnaya istorija kak sostavlyaychaya ztifrovogo obrazovatrlnogo profilya obuchayuchego v usloviyah transformatzii obrazovanija. [Digital educational history as a component of the digital student's profile in the context of education transformation]. Perspektivy Nauki i Obrazovania = The prospects of science and education. 2022;(5):566-584. (In Russ., abstract in Eng.) https://doi.org/10.32744/pse.2022.5.34
16. York T.T., Gibson C., Rankin S. Defining and Measuring Academic Success. Practical Assessment, Research, and Evaluation. 2015;20(1):5. https://doi.org/10.7275/hz5x-tx03
17. Hommel M., Egetenmeier A., Maier U. Supporting Stakeholders with Learning Analytics to Increase Study Success. In: Ifenthaler D., Mah D.K., Yau J.K. (Eds.) Utilizing Learning Analytics to Support Study Success. Cham: Springer; 2019. p. 37-60. https://doi.org/10.1007/978-3-319-64792-0_3
18. Naseem M., Chaudhary K., Sharma B. Predicting Freshmen Attrition in Computing Science using Data Mining. Education and Information Technologies. 2022;27(7):9587-9617. https://doi.org/10.1007/s10639-022-11018-3
19. Del Bonifro F., Gabbrielli M., Lisanti G., Zingaro S.P. Student Dropout Prediction. In: Bittencourt I., Cukurova M., Muldner K., Luckin R., Millán E. (eds.) Artificial Intelligence in Education. AIED 2020. Lecture Notes in Computer Science. Vol. 12163. Cham: Springer; 2020. p. 129-140. https://doi.org/10.1007/978-3-030-52237-7_11
20. Song Z., Sung S.-H., Park D.-M., Park B.-K. All-Year Dropout Prediction Modeling and Analysis for University Students. Applied Sciences. 2023;13(2):1143. https://doi.org/10.3390/app13021143
21. Oqaidi K., Aouhassi S., Mansouri K. Towards a Students Dropout Prediction Model in Higher Education Institutions Using Machine Learning Algorithms. International Journal of Emerging Technologies in Learning. 2022;17(18):103-117. https://doi.org/10.3991/ijet.v17i18.25567
22. Sulak S.A., Koklu N. Predicting Student Dropout Using Machine Learning Algorithms. Intelligent Methods In Engineering Sciences. 2024;3(3):91-98. https://doi.org/10.58190/imiens.2024.103
23. Alnasyan B., Basheri M., Alassafi M. The power of Deep Learning techniques for predicting student performance in Virtual Learning Environments: A systematic literature review. Computers and Education: Artificial Intelligence. 2024;6:100231. https://doi.org/10.1016/j.caeai.2024.100231
24. Kabathova J., Drlik M. Towards Predicting Student s Dropout in University Courses Using Different Machine Learning Techniques. Applied Sciences. 2021;11(7):3130. https://doi.org/10.3390/app11073130
25. Kustitskaya T.A., Noskov M.V., Vainshtein Y.V. Predicting learning success: research problems and challenges. Nauka i shkola. 2023;(4):71-83. (In Russ., abstract in Eng.) https://doi.org/10.31862/1819-463X-2023-4-71-83

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.