СИСТЕМА ПРОГНОЗИРОВАНИЯ УСПЕВАЕМОСТИ СТУДЕНТОВ ОСНОВАННУЮ НА МАТЕМАТИЧЕСКОЙ СТАТИСТИКЕ
DOI:
https://doi.org/10.56132/2791-3368-2026-1-65-143-155Ключевые слова:
боевая подготовка, военное учебное заведение, корреляция, курсант, обучение, посещаемость, прогноз, система образования, успеваемостьАннотация
Высокий уровень отчисления студентов в вузе, особенно за счет неуспеваемости в первые месяцы обучения, остается актуальной проблемой современного образования, ставящей как экономические, так и кадровые риски. Данный факт послужил основанием для рассмотрения в данном исследовании возможности создания системы прогнозирования успешности студентов на основе методов математической статистики. Целью работы является эмпирическкое подтверждение зависимости между активностью посещения лекций и успешностью студентов в качестве основания для разработки цифрового ассистента. С помощью корреляционно-регрессионного анализа установлена статистически значимая положительная взаимосвязь между рассматриваемыми показателями. Полученные результаты позволяют сделать вывод, что посещаемость является одним из главных предикторов хорошей успеваемости студентов. Разработанная модель позволяет прогнозировать риски неуспеваемости на ранней стадии, своевременно информировать студентов и администрацию университета, что способствует повышению качества образовательного процесса и снижению вероятности отсева студентов.
Скачивания
Библиографические ссылки
1. Brahim G. B. Predicting student performance from online engagement activities using novel statistical features. Arabian Journal for Science and Engineering. 2022; 47(8). - С. 10225-10243.
2. Токтарова В. И., Пашкова Ю. А. Предиктивная аналитика в цифровом образовании: анализ и оценка успешности обучения студентов. Сибирский педагогический журнал. 2022; (1). -С. 97-106.
3. Шевченко В. А. Прогнозирование успеваемости студентов на основе методов кластерного анализа. Вестник Харьковского национального автомобильно-дорожного университета. 2015; (68). - С.15-18.
4. Zohair L. M. A. Prediction of student’s performance by modelling small dataset size. International Journal of Educational Technology in Higher Education. 2019; (16). - С1-18.
5. Куприянов Р. Б., Звонарев Д. Ю. Повышение качества модели прогнозирования образовательных результатов студентов университетов. Информатика и образование. 2021; 36(9(328)).- С. 40-46.
6. Русаков С. В., Русакова О. Л., Посохина К. А. Нейросетевая модель прогнозирования группы риска по успеваемости студентов первого курса. Современные информационные технологии и ИТ-образование. 2018; 14(4). –С. 815-822.
7. Sood S., Saini M. Hybridization of cluster-based LDA and ANN for student performance prediction and comments evaluation. Education and Information Technologies. 2021; 26(3).- Р. 2863-2878.
8. Шухман А. Е., Парфенов Д. И., Легашев Л. В., Гришина Л. С. Анализ и прогнозирование успеваемости обучающихся при использовании цифровой образовательной среды. Высшее образование в России. 2021; 30(89).- С.125-133.
9. Котова Е. Е. Прогнозирование успешности обучения в интегрированной образовательной среде с применением инструментов онлайн-аналитики. Компьютерные инструменты в образовании. 2019; (4).- С. 55-80.
