МАТЕМАТИКАЛЫҚ СТАТИСТИКА НЕГІЗІНДЕ БІЛІМ АЛУШЫЛАРДЫҢ НӘТИЖЕЛЕРІН БОЛЖАУ ЖҮЙЕСІ
DOI:
https://doi.org/10.56132/2791-3368-2026-1-65-143-155Кілт сөздер:
білім беру жүйесі, болжам, жауынгерлік дайындық, корреляция, курсант, оқыту, сабаққа қатысу, үлгерім, әскери оқу орныАңдатпа
Білім алушылардың жаппай оқудан шығуы, әсiресе жоғары оқу орнында оқуға бейiмделу кезеңiнде, экономикалық шығынға да, кадрлық тапшылыққа да әкеп соғатын қазiргi заманғы бiлiм берудiң негiзгi мәселелердің бiрi болып табылады. Бұл мәселе әскери оқу орындары үшін аса маңызды, өйткені кадрлардың жетіспеушілігі мемлекеттің қорғаныс қабілетіне тікелей әсерін тигізеді. Мақалада математикалық статистика әдістері негізінде академиялық үлгерімді болжау жүйесін құру мүмкіндігі қарастырылады. Зерттеудің мақсаты - цифрлық көмекшіні әзірлеу үшін негіз ретінде оқу сабақтарына қатысу мен курсанттардың үлгерімі арасындағы өзара байланыстың болуын эмпирикалық растау. Корреляциялық-регрессиялық талдауды пайдалана отырып, қаралып отырған көрсеткіштер арасында статистикалық тұрғыдан маңызды оң байланыс орнатылды. Алынған нәтижелер курсанттардың академиялық жақсы үлгерімінің негізгі болжамдарының бірі ретінде деген қорытынды жасауға мүмкіндік береді. Әзірленген модель ерте кезеңде үлгермеу тәуекелдерін болжауға, курсанттар мен оқу орны басшылығымен уақтылы хабардар етуге мүмкіндік береді, бұл білім беру процесініңсонымен қатар жауынгерлік дайындық сапасын арттыруға және болашақ офицерлер мен әскери мамандарды оқудан шығару ықтималдығын төмендетуге ықпал етеді.
##plugins.themes.default.displayStats.downloads##
Әдебиеттер тізімі
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.
