vovrВысшее образование в России (Vysshee obrazovanie v Rossii = Higher Education in Russia)Vysshee Obrazovanie v Rossii = Higher Education in Russia0869-36172072-0459Moscow Polytechnic University10.31992/0869-3617-2024-33-11-132-148vovr-5241Research ArticleСТАТЬИARTICLESУправление образовательным процессом университета на основе прогнозирования успеваемости обучающихсяManaging the University’s Educational Process Based on Predicting Students’ Academic Performancehttps://orcid.org/0000-0002-0908-1818АликинаЕ. В.AlikinaE. V.

Елена Вадимовна Аликина, д-р пед. наук, доцент, заведующий кафедрой

кафедра «Иностранные языки, лингвистика и перевод»

614990; Комсомольский пр., 29; Пермь

Elena V. Alikina, Dr. Sci. (Pedagogy), Associate Professor, Head of the Department

Department of Foreign Languages, Linguistics and Translation

614990; 29, Komsomolsky ave.; Perm

elenaalikina@yandex.ruhttps://orcid.org/0000-0001-5503-8784МальцевД. В.MaltsevD. V.

Дмитрий Викторович Мальцев, канд. техн. наук, доцент, начальник отдела

учебно-методическое управление; отдел обеспечения учебного процесса

614990; Комсомольский пр., 29; Пермь

Dmitry V. Maltsev, Cand. Sci. (Engineering), Associate Professor, Head of the Department

Department of Educational Process Support, Academic Affairs Office

614990; 29, Komsomolsky ave.; Perm

mdv@pstu.ruПермский национальный исследовательский политехнический университетРоссияPerm National Research Polytechnic UniversityRussian Federation2024031220243311132148Copyright © Аликина Е.В., Мальцев Д.В., 20242024Аликина Е.В., Мальцев Д.В.Alikina E.V., Maltsev D.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vovr.elpub.ru/jour/article/view/5241

   В статье представлен комплексный анализ учёта успеваемости обучающихся для решения задач эффективного и оперативного управления образовательным процессом в политехническом университете. Авторами проанализирована и классифицирована информация, которая потенциально может оказывать влияние на успеваемость студентов и их удовлетворённость образовательной организацией. Акцент сделан на применении прогнозных моделей, позволяющих осуществлять адаптацию содержания учебных дисциплин и контрольных мероприятий под текущий контингент обучающихся. В качестве основного средства оценивания рассматривается тестирование. В исследовании использованы обезличенные данные, собранные о студентах первого курса политехнического вуза (2023/24 учеб. год) уровней подготовки бакалавриат и специалитет (n = 1549) по таким группам факторов, как демографические, социокультурные, академические и экономические. Использованы методы математической статистики, а именно: определение вида распределения данных при помощи теста Шапиро – Уилка, установление наличия мультиколлинеарности при построении множественной регрессии критерием Пирсона, установление корреляционных зависимостей методом ранговой корреляции Спирмена. Методы машинного обучения, применённые для прогнозирования оценки на промежуточной аттестации по дисциплинам базового цикла (математика и физика), реализованы на языке программирования Python (v. 3.8) с использованием свободно распространяемой библиотеки Keras.

   Основные результаты: представлена классификация факторов, влияющих на успеваемость и удовлетворённость обучающихся; при помощи методов математической статистики установлена значимость каждого фактора для прогнозирования успеваемости; разработана и представлена модель управления образовательным процессом на основе Agile Learning Design, позволяющая адаптировать конкретную дисциплину под текущий контингент обучающихся.

   The authors of the article present a comprehensive analysis of the accounting of students’ academic performance in the management of the educational process of the university. The information about students that affects their academic performance and satisfaction with the educational organization is analyzed and classified. The focus of the study is on the application of predictive models in the management of the educational process in order to adapt the content of disciplines to the current contingent of students. The study used data only on first-year students (2023/24 academic year) of bachelor’s and specialist’s degree levels (n=1549). The information is depersonalized and contains the following data: demographic (age, gender, citizenship), social (socio-cultural environment, place of residence, place of residence during study), academic (previous education, results of entrance tests, current academic performance, faculty, qualification level), economic (scholarship, type of competition – budget/contract). Methods of mathematical statistics were used to analyze the data: determining the type of data distribution using the Shapiro-Wilk test, establishing the presence of multicollinearity in the construction of multiple regression by the Pearson criterion, establishing correlation dependencies by Spearman’s rank correlation method. Machine learning methods are implemented in the Python programming language (v. 3.8) using the freely distributed Keras library.

   The main results. The classification of factors affecting the academic performance and satisfaction of students is presented. Using the methods of mathematical statistics, the importance of each factor for predicting academic performance has been established. An educational process management model based on Agile Learning Design has been developed and presented, which allows adapting a specific discipline to the current contingent of students.

успеваемость студентовпрогноз успеваемостинейронная сетьсохранение контингентаадаптивность образованияискусственный интеллектAgile Learning Designstudent academic performanceacademic performance forecastneural networkcontingent retentionadaptability of educationartificial intelligenceAgile Learning DesignReferencesАликина Е.В. Оценка качества устного последовательного перевода в реальной и учебной ситуации // Вестник Нижегородского государственного лингвистического университета им. Н.А. Добролюбова. 2011. № 13. С. 114–123. EDN: NDVLIN.Alikina, E.V. (2011). Quality Assessment in Consecutive Interpreting in Real Life and Training Situations. Vestnik Nizhegorodskogo gosudarstvennogo lingvisticheskogo universiteta im. N.A. Dobrolyubova = Bulletin of the Nizhny Novgorod State Linguistic University named after N.A. Dobrolyubov. No. 13, pp. 114-123. Available at: https://www.elibrary.ru/download/elibrary_15620557_28154580.pdf (accessed 20. 07. 2024). (In Russ., abstract in Eng.).Шарова Е.И. Обеспечение качества вузовского образования: адаптация первокурсников (теоретические подходы к постановке проблемы) // Вестник Адыгейского государственного университета. Серия: Педагогика и психология. 2015. № 1(157). С. 119–125. EDN: TVQEBX.Sharova, E.I. (2015). Ensuring High Quality of Higher School Education: Adaptation of First-Year Students (Theoretical Approaches to Statement of the Problem). Vestnik Ady`gejskogo gosudarstvennogo universiteta. Seriya: Pedagogika i psixologiya = Bulletin of the Adygea State University. Series: Pedagogy and Psychology. No. 1(157), pp. 119-125. Available at: https://www.elibrary.ru/download/elibrary_23562661_92277657.pdf (accessed 20. 07. 2024). (In Russ., abstract in Eng.)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. Т. 30. № 8-9. С. 125–133. DOI: 10.31992/0869-3617-2021-30-8-9-125-133Shukhman, A.E., Parfenov, D.I., Legashev, L.V., Grishina L.S. (2021). Analysis and Forecasting Students’ Academic Performance Using a Digital Educational Environment. Vysshee obrzovanie v Rossii = Higher Education in Russia. Vol. 30, no. 8-9, pp. 125-133, doi: 10.31992/0869-3617-2021-30-8-9-125-133 (In Russ., abstract in Eng.).Захарова И.Г. Методы машинного обучения для информационного обеспечения управления профессиональным развитием студентов // Образование и наука. 2018. Т. 20. № 9. С. 91–114. DOI: 10.17853/1994-5639-2018-9-91-114Zakharova, I.G. (2018). Machine Learning Methods of Providing Informational Management Support for Students’ Professional Development. Obrazovanie i nauka = The Education and Science Journal. No. 9(20), pp. 91-114, doi: 10.17853/1994-5639-2018-9-91-114 (In Russ., abstract in Eng.)Ternikov A., Blyakher M. Grade inflation and grading process: does faculty workload matter? // Journal of Applied Research in Higher Education. 2024. Vol. ahead-of-print. No. ahead-of-print. DOI: 10.1108/JARHE-06-2023-0247Ternikov, A., Blyakher, M. (2024). Grade Inflation and Grading Process: Does Faculty Workload Matter? Journal of Applied Research in Higher Education. Vol. ahead-of-print, no. ahead-of-print, doi: 10.1108/JARHE-06-2023-0247Титаев К.Д. Академический сговор // Отечественные записки. 2012. № 2(47). С. 184–194. EDN: QYORDZ.Titaev, K.D. (2012). [Academic Сollusion]. Otechestvenny’e zapiski = Domestic Notes. No. 2(47), pp. 184-194. Available at: https://www.elibrary.ru/download/elibrary_20132710_48295266.pdf (accessed 20. 07. 2024). (In Russ., abstract in Eng.).Fishman J.A., Clifford P.I. What can mass testing programs do for-and-to the pursuit of excellence in American Education? // Harvard Educational Review. 1964. № 34. Pp. 63–79.Fishman, J.A., Clifford, P.I. (1964). What Can Mass Testing Programs Do For-And-To the Pursuit of Excellence in American Education? Harvard Educational Review. No. 34, pp. 63-79.Аликина Е.В., Мальцев Д.В. Лингвопедагогический дизайн тестовых заданий открытого типа в условиях цифровизации // Высшее образование в России. 2024. Т. 33. № 1. С 128–148. DOI: 10.31992/0869-3617-2024-33-1-128-148Alikina, A.V., Maltsev, D.V. (2024). Linguo-Pedagogical Design of Open Question Items in the Context Of Digitalization. Vysshee obrazovanie v Rossii = Higher Education in Russia. Vol. 33, no. 1, pp. 128-148, doi: 10.31992/0869-3617-2024-33-1-128-148 (In Russ., abstract in Eng.).Ананьев Б.Г. Избранные психологические труды : в 2-х т. Т. 2. / под ред. А.А. Бодалева и др. М.: Педагогика, 1980. 288 с.Ananyev, B.G. Izbrannye psikhologicheskie trudy [Selected Psychological Works : In 2 volumes]. Moscow: Pedagogy, 1980, Vol. 2, 288 p. (In Russ.).Шапоров А.М. Прогнозирование риска отчисления как результат академической неуспешности обучающегося // Ярославский педагогический вестник. 2022. № 1(124). С. 48–55. DOI: 10.20323/1813-145X-2022-1-124-48-55Shaporov, A.M. (2022). Forecasting the Risk of Expulsion from the University as a Result of Academic Failure of the Student. Yaroslavskij pedagogicheskij vestnik = Yaroslavl Pedagogical Bulletin. No. 1, pp. 48-55, doi: 10.20323/1813-145X-2022-1-124-48-55 (In Russ., abstract in Eng.).Гилева О.Б. Психофизиологические основы успешности учебной деятельности : монография. Екатеринбург: Изд-во УрГУПС, 2012. 271 с. ISBN: 978-5-94614-223-6.Gileva, O.B. Psikhofiziologicheskie osnovy uspeshnosti uchebnoi deiatelnosti [Psychophysiological Foundations of the Success of Educational Activity]. Yekaterinburg: Publishing house of UrGUPS, 2012. 271 p. ISBN: 978-5-94614-223-6. (In Russ.).Польдин О.В. Прогнозирование успеваемости в вузе по результатам ЕГЭ // Прикладная эконометрика. 2011. № 1(21). С. 56–69. EDN: NUEJPN.Poldin, O.V. (2011). [Forecasting Academic Performance in Higher Education According to the Results of the Unified State Exam ]. Prikladnaya ekonometrika = Applied Econometrics. No. 1(21), pp. 56-69. Available at: https://www.elibrary.ru/download/elibrary_16367420_78934762.pdf (accessed 20. 07. 2024). (In Russ., abstract in Eng.).Быстрова Т.Ю., Ларионова В.А., Синицын Е.В., Толмачев А.В. Учебная аналитика МООК как инструмент прогнозирования успешности обучающихся // Вопросы образования. 2018. № 4. С. 139–166. DOI: 10.17323/1814-9545-2018-4-139-166Bystrova, T.Y., Larionova, V.A., Sinitsyn, E.V., Tolmachev, A.V. (2018). Learning Analytics in Massive Open Online Courses as a Tool for Predicting Learner Performance. Voprosy` obrazovaniya = Questions of Education. No. 4, pp. 139-166, doi: 10.17323/1814-9545-2018-4-139-166 (In Russ., abstract in Eng.).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. Т. 14. № 4. С. 815–822. DOI: 10.25559/SITITO.14.201804.815-822Rusakov, S.V., Rusakova, O.L., Posokhina, K.A. (2018). Neural Network Model of Predicting the Risk Group for the Accession of Students of the First Course. Sovremenny`e informacionny`e texnologii i IT-obrazovanie = Modern Information Technologies and IT Education. Vol. 14, no. 4, pp. 815-822, doi: 10.25559/SITITO.14.201804.815-822 (In Russ., abstract in Eng.).Кузнецов В.В., Косилов К.В. Влияние объективного состояния и самооценки здоровья на академическую успеваемость у студентов старших курсов медицинских и гуманитарных специальностей с учётом различных средовых факторов // Исследования и практика в медицине. 2020. Т. 7. № 3. С. 108–118. DOI: 10.17709/2409-2231-2020-7-3-11Kuznetsov, V.V., Kosilov, K.V. (2020). The Impact of the Objective State and Self-Esteem of Health on Academic Performance in Senior Students of Medical and Humanitarian Specialties, Taking into Account Various Environmental Factors. Issledovaniya i praktika v medicine = Research and Practice in Medicine. Vol. 7, no. 3, pp. 108-118, doi: 10.17709/2409-2231-2020-7-3-11 (In Russ., abstract in Eng.).Саловарова Ю.В. Влияние социально-экономических факторов на успеваемость школьников // Окружающая среда и здоровье населения. Материалы VII Всероссийской научно-практической конференции студентов и молодых учёных, Иркутск, 17 декабря 2020 г. Иркутск: Иркутский научный центр хирургии и травматологии, 2020. С. 198–201. EDN: JCOTIM.Salovarova, Yu.V. (2020). [The Influence of Socio-Economic Factors on School Performance]. Okruzhayushhaya sreda i zdorov`e naseleniya : materialy` VII Vserossijskoj nauchno-prakticheskoj konferencii studentov i molody`x ucheny`x, Irkutsk, 17 dekabrya 2020 goda = Environment and public health. Materials of the VII Charter of the All-Russian Scientific and Practical Conference of Students and Young Scientists, Irkutsk, December 17, 2020. Irkutsk: Irkutsk Scientific Center of Surgery and Traumatology, pp. 198-201. Available at: https://elibrary.ru/download/elibrary_44440902_80419289.pdf (accessed 20. 07. 2024). (In Russ.).Най Д.В.К., Орел Е.А., Кочергина Е.В. Факторы «Большой пятёрки» как психологические предикторы академической успеваемости студентов вузов// Психологические исследования. 2013. Т. 6. № 27. С. 4. DOI: 10.54359/ps.v6i27.723Nai, D.V.K., Orel E.A., Kochergina E.V. (2013). [“Big Five” Factors as Psychological Predictors of Academic Performance of University Students]. Psikhologicheskie issledovaniya = Psychological Research. Vol. 6, no. 27, p. 4, doi: 10.54359/ps.v6i27.723 (In Russ., abstract in Eng.).Мальцев Д.В., Лазукова Е.А., Репецкий Д.С. Осознанный выбор профессии как доминантный мотив обучения в университете // Перспективы науки и образования. 2022. № 6(60). С. 10–28. DOI: 10.32744/pse.2022.6.1Mal’cev, D.V., Lazukova, E.A., Repeckij, D.S. (2022). Conscious Choice of Profession as the Dominant Motive of Studying at the University. Perspektivy nauki i obrazovaniya = Prospects of Science and Education. No. 6(60), pp. 10-28, doi: 10.32744/pse.2022.6.1 (In Russ., abstract in Eng.).Borrego M., Henderson Ch. Increasing the use of evidence-based teaching in STEM higher education: A comparison of eight change strategies // Journal of Engineering Education. 2014. No. 103. P. 220–252. DOI: 10.1002/jee.20040Borrego, M., Henderson, Ch. (2014). Increasing the Use of Evidence-Based Teaching in STEM Higher Education: A Comparison of Eight Change Strategies. Journal of Engineering Education. No. 103, pp. 220-252, doi: 10.1002/jee.20040Мальцев Д.В. Влияние качества образовательных услуг технического университета на трудоустройство выпускников // Перспективы науки и образования. 2020. № 6(48). С. 459–473. DOI: 10.32744/pse.2020.6.35Maltsev, D.V. (2020). Influence of the Quality of Educational Services of a Technical University on the Employment of Graduates. Perspektivy nauki i obrazovania = Perspectives of Science and Education. Vol. 48, no. 6, pp. 459-473, doi: 10.32744/pse.2020.6.35 (In Russ., abstract in Eng.).Adebayo B. Cognitive and Non-Cognitive Factors: Affecting the Academic Performance and Retention of Conditionally Admitted Freshmen // Journal of College Admission. 2008. No. 200. Pp. 15–21.Adebayo, B. (2008). Cognitive and Non-Cognitive Factors: Affecting the Academic Performance and Retention of Conditionally Admitted Freshmen. Journal of College Admission. No. 200, pp. 15-21.Ahmad S., Hussain I., Ahmad R., Naseer Ud Din M. Performance Based Prediction of the Students in the Physics Subject using Traditional and Machine Learning Approach at Higher Education Level // International Journal of Innovation in Teaching and Learning (IJITL). 2020. Vol. 6. No. 1. P. 174–190. DOI: 10.35993/ijitl.v6i1.997Ahmad, S., Hussain, I., Ahmad, R., Naseer Ud Din, M. (2020). Performance Based Prediction of the Students in the Physics Subject using Traditional and Machine Learning Approach at Higher Education Level. International Journal of Innovation in Teaching and Learning (IJITL). Vol. 6, no. 1, pp. 174-190, doi: 10.35993/ijitl.v6i1.997Bin Mat U., Buniyamin N., Arsad P., Kassim R. An overview of using academic analytics to predict and improve students’ achievement: A proposed proactive intelligent intervention // 2013 IEEE 5<sup>th</sup> Conference on Engineering Education (ICEED), 2013. DOI: 10.1109/iceed.2013.6908316Bin Mat, U., Buniyamin, N., Arsad, P., Kassim, R. (2013). An Overview of Using Academic Analytics to Predict And Improve Students’ Achievement: A Proposed Proactive Intelligent Intervention. 2013 IEEE 5<sup>th</sup> Conference on Engineering Education (ICEED), doi: 10.1109/iceed.2013.6908316

The authors declare that there are no conflicts of interest present.