Прогностическое моделирование в высшем образовании: определение факторов академической успеваемости

Несколько десятилетий в области интеллектуального анализа данных в образовании (EDM) прогнозирование успеваемости остаётся одной из самых популярных и обсуждаемых на международном уровне исследовательских тем. В частности, интеллектуальный анализ данных используется для прогнозирования таких образовательных результатов, как успеваемость, удержание, успех, удовлетворённость, достижения и процент отсева. В управленческой практике высших учебных заведений на основе оперативного прогноза разрабатываются и реализуются меры поддержки тех студентов, которые попадают в группу риска.
Наше исследование направлено на обоснование модели прогнозирования досрочного выбытия студентов с использованием искусственной нейронной сети и анализ предикторов, повышающих точность прогнозировании успешного окончания российского университета. Эта работа позволит расширить международную практику компаративных исследований в высшем образовании.
В работе подтверждены уже существующие гипотезы о влиянии ряда факторов на прогнозирование академической успеваемости и выдвинуто предположение о необходимости проверки их универсальности или специфичности в конкретном высшем учебном заведении. Мы также доказали, что модель искусственной нейронной сети с определённым набором атрибутов может применяться в контексте отдельного высшего учебного заведения, независимо от специализации. Для определения потенциальной группы риска учащихся используется модель прогнозирования бинарной классификации. Общая точность прогноза нейронной сети с комбинированными данными достигает 88%. Для данной модели нейронной сети базовыми предикторами, влияющими на точность прогноза, являются совокупный средний уровень успеваемости (CGPA) и год поступления в университет.

1. Zawacki-Richter O., Marín V.I., Bond M., Gouverneur F. Systematic review of research on artificial intelligence applications in higher education – where are the educators? // International Journal of Educational Technology in Higher Education. 2019. Vol. 16. Art. no. 39. P. 1–27. DOI: 10.1186/s41239-019-0171-0

2. Romero С., Ventura S. Data mining in education // WIREs Data Mining Knowledge Discovery. 2013. Vol. 3. No. 1. P. 12–27. DOI: 10.1002/widm.1075

3. Baepler P., Murdoch C.J. Academic analytics and data mining in higher education // International Journal Schoolarship of Teaching & Learn. 2010. Vol. 4. No. 2. P. 1–9. DOI: 10.20429/ijsotl.2010.040217

4. Alyahyan E., Düştegör D. Predicting academic success in higher education: literature review and best practices // International Journal of Educational Technology in Higher Education. 2020. Vol. 17. Art. no. 3. P. 1–21. DOI: 10.1186/s41239-020-0177-7

5. Viberg O., Hatakka М., Bälter O., Mavroudi A. The current landscape of learning analytics in higher education // Computers in Human Behavior. 2018. Vol. 89. P. 98–110. DOI: 10.1016/j.chb.2018.07.027

6. Горбунова Е.В. Выбытия студентов из вузов: исследования в России и США // Вопро- сы образования. 2018. № 1. С. 110–131. DOI: 10.17323/1814-9545-2018-1-110-131

7. Груздев И.А., Горбунова Е.В., Фрумин И.Д. Студенческий отсев в российских вузах: к постановке проблемы // Вопросы образования. 2013. № 2. C. 67–81. DOI: 10.17323/1814-9545-2013-2-67-81

8. Терентьев E.A., Груздев И.А., Горбунова Е.В. Суд идёт: дискурс преподавателей об отсеве студентов // Вопросы образования. 2015. № 2. С. 129–151. DOI: 10.17323/1814-9545-2015-2-129-151

9. Валеева Д.Р., Докука С.В., Юдкевич М.М. Разрыв дружеских связей при академическом неуспехе: социальные сети и пересдачи у студентов // Вопросы образования. 2017. № 1. C. 8–24. DOI: 10.17323/1814-9545-2017-1-8-24

10. Богданов М.Б., Малик В.М. Как сочетаются социальное, территориальное и гендерное неравенства в образовательных траекториях молодёжи России? // Мониторинг общественного мнения: экономические и социальные перемены. 2020. № 3. C. 391–421. DOI: 10.14515/monitoring.2020.3.1603

11. Хавенсон Т.Е., Соловьева А.А. Связь результатов Единого государственного экзамена и успеваемости в вуз // Вопросы образования. 2014. № 1. C. 176–199. DOI: 10.17323/1814-9545-2014-1-176-199

12. Hellas A., Ihantola P., Petersen A., Ajanovski V.V., Gutica M., Hynninen T., Knutas A., Leinonen J., Messom C., Liao S.N. Predicting academic performance: a systematic literature review // In: Proceedings Companion of the 23rd Annual ACM Conference on Innovation and Technology in Computer Science Education (ITiCSE 2018 Companion). Association for Computing Machinery. New York, USA. 2018. P. 175–199. DOI: 10.1145/3293881.3295783

13. Raju D., Schumacker R. Exploring student characteristics of retention that lead to graduation in higher education using data mining models // Journal of College Student Retention: Research, Theory and Practice. 2015. Vol. 16. No. 4. P. 563–591. DOI: 10.2190/CS.16.4.e

14. Lau E.T., Sun L., Yang Q. Modelling, prediction and classification of student academic performance using artificial neural networks // SN Applied Sciences. 2019. Vol. 1. Art. no. 982. DOI: 10.1007/s42452-019-0884-7

15. Lesinski G., Corns S., Dagli C. Application of an Artificial Neural Network to Predict Graduation Success at the United States Military Academy // Procedia Computer Science. 2016. Vol. 95. P. 375–382. DOI: 10.1016/j.procs.2016.09.348

16. Adewale А.M., Bamidele A.O., Lateef U.O. Predictive modelling and analysis of academic performance of secondary school students: Artificial Neural Network approach // International Journal of Educational Technology in Higher Education. 2018. Vol. 9. No. 1. P. 1–8. DOI: 10.5897/IJSTER2017.0415

17. Tsiakmaki M., Kostopoulos G.K., Kotsiantis S., Ragos O. Transfer Learning from Deep Neural Networks for Predicting Student Performance // SN Applied Sciences. 2020. Vol. 10. No. 6. Art. no. 2145. DOI: 10.3390/app10062145

18. Mengash H.A. Using Data Mining Techniques to Predict Student Performance to Support Decision Making in University Admission Systems // IEEE Access. 2020. No. 8. P. 55462–55470. DOI: 10.1109/ACCESS.2020.2981905

19. 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.14.201804.815-822

20. Котова Е.Е. Прогнозирование успешности обучения в интегрированной образовательной среде с применением инструментов онлайн аналитики // Компьютерные инструменты в образовании. 2019. № 4. С. 55–81. DOI: 10.32603/2071- 2340-2019-4-55-80

21. Lapenok M.V., Patrusheva O.M., Hudyakova S.A. Using Neural Network Mathematical Models to Solve Pedagogical Problems // International Scientific Conference “Digitalization of Education: History, Trends and Prospects” (DETP 2020), Russia. 2020. P. 22–26. DOI: 10.2991/assehr.k.200509.005

22. Galimyanov A.F., Gafarov F.M., Muzafarova A.I. Application of Big Data in Determining and Regulating Trends in Education // International Scientific Conference “Digitalization of Education: History, Trends and Prospects” (DETP 2020), Russia. 2020. P. 681–684. DOI: 10.2991/assehr.k.200509.121

23. Prokopyev N.A., Vakhitov G.Z., Ustin P.N. Indexing of Social Network Texts for Psychometric Model of Academic Success Prediction // International Scientific Conference “Digitalization of Education: History, Trends and Prospects” (DETP 2020), Russia. 2020. P. 810–815. DOI: 10.2991/assehr.k.200509.143

24. Jovanović, J., Saqr, M., Joksimović, S., Gašević, D. Students matter the most in learning analytics: The effects of internal and instructional conditions in predicting academic success // Computers & Education. 2021. No. 172. Art. no. 104251. DOI: 10.1016/j.compedu.2021.104251

25. Araque F., Roldán C., Salguero A. Factors influencing university dropout rates // Computers & Education. 2009. Vol. 53. No. 3. P. 563–574. DOI: 10.1016/j.compedu.2009.03.013

26. Gray G., McGuinness C., Owende P., Hofmann M. Learning Factor Models of Students at Risk of Failing in the Early Stage of Tertiary Education // Journal of Learning Analytics. 2016. Vol. 3. No. 2. P. 330–372. DOI: 10.18608/jla.2016.32.20

27. Asif R., Merceron A., Ali S.A., Haider N.G. Analyzing undergraduate students’ performance using educational data mining // Computers & Education. 2017. Vol. 113. No. 1. P. 177–194. DOI: 10.1016/j.compedu.2017.05.007

28. Lonn S., Koester B. Rearchitecting Data for Researchers: A Collaborative Model for Enabling Institutional Learning Analytics in Higher Education // Journal of Learning Analytics. 2019. Vol. 6. No. 2. P. 107–119. DOI: 10.18608/jla.2019.62.8

29. Miguéis V.L., Freitas A., Garciab P.J.V., Silva A. Early segmentation of students according to theiracademic performance: A predictive modelling approach // Decision Support Systems. 2018. No. 115. P. 36–51. DOI: 10.1016/j.dss.2018.09.001

30. Yang J., DeVore S., Hewagallage D., Miller P., Ryan Q.X., Stewart J. Using machine learning to identify the most at-risk students in physics classes // Physical Review Physics Education Research. 2020. No. 16. Art. no. 020130. DOI: 10.1103/PhysRevPhysEducRes.16.020130

31. Kuncel N.R., Hezlett S.A. Standardized Tests Predict Graduate Students’ Success // Science. 2007. Vol. 315. No. 5815. P. 1080–1081. DOI: 10.1126/science.1136618

32. Gafarov F.M., Rudneva Ya.B., Sharifov U.Yu., Trofimova A.V., Bormotov P.M. Analysis of Students’ Academic Performance by Using Machine Learning Tools // International Scientific Conference “Digitalization of Education: History, Trends and Prospects” (DETP 2020). Russia, 2020. P. 574–579. DOI: 10.2991/assehr.k.200509.104 URL: https://www.researchgate.net/publication/341498648_Analysis_of_Students’_Academic_Performance_by_Using_Machine_Learning_Tools

33. Delen D. A comparative analysis of machine learning techniques for student retention management // Decision Support Systems. 2010. Vol. 49. No. 4. P. 498–506. DOI: 10.1016/j.dss.2010.06.003

34. Zabriskie C., Yang J., DeVore S., Stewart J. Using machine learning to predict physics course outcomes // Physical Review Physics Education Research. 2019. No. 15. Art. no. 020120. DOI: 10.1103/PhysRevPhysEducRes.15.020120

35. Aiken J.M., Henderson R., Caballero M.D. Modeling student pathways in a physics bachelor’s degree program // Physical Review Physics Education Research. 2019. No. 15. Art. no. 010128. DOI: 10.1103/PhysRevPhysEducRes.15.010128

36. Alkhasawneh R., Hobson R. Modeling student retention in science and engineering disciplines using neural networks // IEEE Global Engineering Education Conference (EDUCON). Amman, 2011. P. 660–663. DOI: 10.1109/EDUCON.2011.5773209

37. Шмелева E.Д., Фрумин И.Д. Факторы отсева студентов инженерно-технического профиля в российских вузах // Вопросы образования. 2020. № 3. С. 110–136. DOI: 10.17323/1814-9545-2020-3-110-136

38. Смык А.Ф., Прусова В.И., Зиманов Л.Л., Солнцев А.А. Анализ масштаба и причин отсева студентов в техническом университете // Высшее образование в России. 2019. Т. 28. № 6. C. 52–62. DOI: 10.31992/0869-3617-2019-28-6-52-62

39. Tsai S.-C., Chen C.-H., Shiao Y.-T., Ciou J.-S., Wu T.-N. Precision education with statistical learning and deep learning: a case study in Taiwan // International Journal of Educational Technology in Higher Education. 2020. Vol. 17. Art. no. 12. DOI: 10.1186/s41239-020-00186-2

40. Thai-Nghe N., Janecek P., Haddawy P. A comparative analysis of techniques for predicting academic performance // 37th Annual Frontiers In Education Conference – Global Engineering: Knowledge Without Borders, Opportunities Without Passports, Milwaukee, WI. 2007. T2G-7-T2G-12. DOI: 10.1109/FIE.2007.4417993