Central AsianResearch Index

СИСТЕМА ПРОГНОЗИРОВАНИЯ УСПЕВАЕМОСТИ СТУДЕНТОВ НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

В исследовании оценивается процедура применения машинного обучения для выявления риска академической неуспеваемости у моделируемых обучающихся. С помощью явно заданной стохастической модели сформирован полностью синтетический набор данных из 3000 независимых профилей обучающихся. Восемь предикторов охватывают предшествующую успеваемость, учебную активность в первые четыре недели условного семестра, возраст и индекс обеспеченности ресурсами. К положительному классу отнесены профили со смоделированным итоговым баллом за семестр ниже 60 по шкале от 0 до 100. Параметры логистической регрессии, метода опорных векторов, дерева решений, случайного леса и градиентного бустинга подбирались посредством стратифицированной кросс-валидации по пяти блокам внутри обучающей выборки, составлявшей 80% данных. Модели оценивались на отложенной тестовой выборке, включавшей оставшиеся 20%. Наибольшие значения точности классификации и F1-меры на тестовой выборке получены для градиентного бустинга –83,33% и 0,742 соответственно, тогда как наибольшее значение ROC AUC получено для логистической регрессии – 0,918 с 95%-м бутстреп-интервалом 0,896–0,938. Абляционный анализ признаков и проверки на независимых синтетических когортах позволили оценить влияние информации об учебной активности и шума в моделируемом итоговом балле. Вклад работы заключается в прозрачном протоколе моделирования и проверяемой процедуре сравнения алгоритмов, а не в разработке нового алгоритма обучения. Результаты демонстрируют вычислительную реализуемость предложенной процедуры в рамках заданного генератора данных; их применимость к реальным обучающимся требует внешней эмпирической валидации.

Сведения

Опубликовано
2026 · Т. 4, № 145, С. 311-321
Язык
Русский
ISSN
1609-1817 · 2790-5802
Издатель
JSC Academy of Logistics and Transport