Preview

Высшее образование в России (Vysshee obrazovanie v Rossii = Higher Education in Russia)

Расширенный поиск

Анализ и прогнозирование успеваемости обучающихся при использовании цифровой образовательной среды

https://doi.org/10.31992/0869-3617-2021-30-8-9-125-133

Аннотация

В статье рассмотрены технические решения, использованные в ОГУ для организации цифровой образовательной среды. Также проведено исследование успеваемости обучающихся технических и гуманитарных специальностей и направлений в период обычного обучения и в период локдауна. Анализ успеваемости показывает отсутствие значимых отклонений в ту или иную сторону, при этом выделяются ключевые внутренние и внешние факторы, оказывающие влияние на успеваемость обучающихся. Можно сделать вывод, что использование как внутренних, так и внешних факторов даёт высокую точность прогнозирования итоговой успеваемости обучающихся.

Об авторах

А. Е. Шухман
Оренбургский государственный университет
Россия

Шухман Александр Евгеньевич – канд. пед. наук, зав. кафедрой геометрии и компьютерных наук

460018, г. Оренбург, проспект Победы, 13



Д. И. Парфенов
Оренбургский государственный университет
Россия

Парфенов Денис Игоревич – канд. техн. наук, начальник отдела цифровых образовательных платформ

460018, г. Оренбург, проспект Победы, 13



Л. В. Легашев
Оренбургский государственный университет
Россия

Легашев Леонид Вячеславович – канд. техн. наук, начальник отдела сопровождения дистанционных образовательных технологий

460018, г. Оренбург, проспект Победы, 13



Л. С. Гришина
Оренбургский государственный университет
Россия

Гришина Любовь Сергеевна – преподаватель кафедры прикладной математики

460018, г. Оренбург, проспект Победы, 13



Список литературы

1. Romero C., Ventura S. Educational data mining and learning analytics: An updated survey // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 2020. Vol. 10. No. 3. P. 1–21. DOI: https://doi.org/10.1002/widm.1355

2. Salloum S.A. Alshurideh M., Elnagar A, Shaalan K. Mining in educational data: review and future directions // Joint European-US Workshop on Applications of Invariance in Computer Vision. Springer, Cham, 2020. P. 92–102. DOI: https://doi.org/10.1007/978-3-030-44289-7_9

3. Chen G., Rolim V., Ferreira Mello R., Gašević D. Let’s shine together! A comparative study between learning analytics and educational data mining // Proceedings of the Tenth International Conference on Learning Analytics & Knowledge. 2020. P. 544–553. DOI: https://doi.org/10.1145/3375462.3375500

4. Injadat M.N., Moubayed A., Nassif A.B., Shami A. Systematic ensemble model selection approach for educational data mining // Knowledge-Based Systems. 2020. Vol. 200. P. 1–16. DOI: https://doi.org/10.1016/j.knosys.2020.105992

5. Tsiakmaki M., Kostopoulos G., Kotsiantis S., Ragos O. Implementing AutoML in educational data mining for prediction tasks // Applied Sciences. 2020. Vol. 10. No. 1. P. 90. DOI: https://doi.org/10.3390/app10010090

6. Sutoyo E., Almaarif A. Educational Data Mining for Predicting Student Graduation Using the Naïve Bayes Classifier Algorithm // Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi). 2020. Vol. 4. No. 1. P. 95–101. DOI: https://doi.org/10.29207/resti.v4i1.1502

7. bin Mat U. An overview of using academic analytics to predict and improve students’ achievement: A proposed proactive intelligent intervention // IEEE 5th Conference on Engineering Education (ICEED). 2013. P. 126–130. DOI: 10.1109/ICEED.2013.6908316

8. Simsek A., Balaban J. Learning strategies of successful and unsuccessful university students // Contemporary Educational Technology. 2010. Vol. 1. No. 1. P. 36–45. DOI: https://doi.org/10.30935/cedtech/5960

9. Oladokun V., Adebanjo, A., Charles-Owaba, O. Predicting students’ academic performance using artificial neural network: A case study of an engineering course // The Pacific Journal of Science and Technology. 2008. Vol. 9. No. 1. P. 72–79. URL: http://www.akamaiuniversity.us/PJST9_1_72.pdf (дата обращения: 24.07.2021).

10. Salal Y. K., Abdullaev S.M. Using of data mining techniques to predict student’s performance in Industrial institute of Al-Diwaniyah, Iraq // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2019. Т. 19. № 1. С. 121–130. DOI: 10.14529/ctcr190111


Рецензия

Просмотров: 713


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0869-3617 (Print)
ISSN 2072-0459 (Online)