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.
Ключевые слова
Об авторах
А. Е. ШухманРоссия
Шухман Александр Евгеньевич – канд. пед. наук, зав. кафедрой геометрии и компьютерных наук
460018, г. Оренбург, проспект Победы, 13
Д. И. Парфенов
Россия
Парфенов Денис Игоревич – канд. техн. наук, начальник отдела цифровых образовательных платформ
460018, г. Оренбург, проспект Победы, 13
Л. В. Легашев
Россия
Легашев Леонид Вячеславович – канд. техн. наук, начальник отдела сопровождения дистанционных образовательных технологий
460018, г. Оренбург, проспект Победы, 13
Л. С. Гришина
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