Управление образовательным процессом университета на основе прогнозирования успеваемости обучающихся

   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.

1. Аликина 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.

2. 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.

3. 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: 10.31992/0869-3617-2021-30-8-9-125-133

4. Захарова И.Г. Методы машинного обучения для информационного обеспечения управления профессиональным развитием студентов // Образование и наука. 2018. Т. 20. № 9. С. 91–114. DOI: 10.17853/1994-5639-2018-9-91-114

5. 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-06-2023-0247

6. Титаев К.Д. Академический сговор // Отечественные записки. 2012. № 2(47). С. 184–194. EDN: QYORDZ.

7. 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.

8. 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: 10.31992/0869-3617-2024-33-1-128-148

9. Ананьев Б.Г. Избранные психологические труды : в 2-х т. Т. 2. / под ред. А.А. Бодалева и др. М.: Педагогика, 1980. 288 с.

10. 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-2022-1-124-48-55

11. Гилева О.Б. Психофизиологические основы успешности учебной деятельности : монография. Екатеринбург: Изд-во УрГУПС, 2012. 271 с. ISBN: 978-5-94614-223-6.

12. Польдин О.В. Прогнозирование успеваемости в вузе по результатам ЕГЭ // Прикладная эконометрика. 2011. № 1(21). С. 56–69. EDN: NUEJPN.

13. 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: 10.17323/1814-9545-2018-4-139-166

14. 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

15. 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: 10.17709/2409-2231-2020-7-3-11

16. 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.

17. 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.v6i27.723

18. 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.2022.6.1

19. 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.20040

20. Мальцев 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.2020.6.35

21. 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.

22. 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.v6i1.997

23. Bin 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^th Conference on Engineering Education (ICEED), 2013. DOI: 10.1109/iceed.2013.6908316