Bulletin of Toraighyrov University Physics & Mathematics series, 2025, № 4.2025, с. 49-61
Анализ цифровых следов студентов с применением методов обработки неструктурированной информации
Аннотация · Abstract
Современные подходы к цифровой трансформации образования открывают новые возможности для повышения академической успеваемости студентов за счёт анализа их цифровых следов. Цифровые следы, оставляемые в информационно-образовательной среде - в системах дистанционного обучения, образовательных платформах, мессенджерах и социальных сетях - содержат значительный объём неструктурированной информации. Эта информация может быть эффективно обработана с применением методов интеллектуального анализа данных и технологий обработки естественного языка, что позволяет выявлять паттерны учебной активности и поведенческие индикаторы, влияющие на успех в обучении. Цель настоящего исследования заключается в разработке подхода к интеллектуальному анализу цифровых следов студентов для прогнозирования академической успеваемости, с акцентом на обработку неструктурированных данных, таких как текстовая переписка, поисковые запросы, форумы и отзывы. В работе применены методы тематического моделирования [1, с.75-82], анализа тональности [2, с.131-132], векторизации текстов (TF-IDF и Word2Vec) [3, с.28], а также машинного обучения (градиентный бустинг, логистическая регрессия) для построения предсказательных моделей. Эмпирической базой исследования послужили цифровые данные студентов казахстанского университета, обучающихся в системе LMS Moodle и использующих корпоративные Telegram-каналы [4, с.180]. Результаты показали, что интеграция поведенческих цифровых следов и семантических признаков текстов позволяет достичь точности прогноза выше 85% при использовании ансамблевых моделей. Методика доказала свою применимость для раннего выявления студентов группы риска, требующих педагогического сопровождения, а также для адаптации образовательных траекторий. Ограничения исследования связаны с конфиденциальностью данных и необходимостью соблюдения этических стандартов при их сборе и обработке [5, с.785-788]. Разработанный подход может быть внедрён в интеллектуальные рекомендательные системы и цифровые платформы управления обучением, повышая их адаптивность. В перспективе планируется расширение методологии за счёт включения мультимодальных признаков и нейросетевых архитектур. Ключевые слова: цифровые следы студентов, академическая успеваемость, неструктурированная информация, образовательная аналитика, машинное обучение, обработка естественного языка, тематическое моделирование, предиктивная аналитика.
Сведения · Details
- DOI 10.48081/wnma9166
- Журнал · Journal Bulletin of Toraighyrov University Physics & Mathematics series
- Язык · Language русский
- Цитирования (Crossref) · Citations 0