Автор:  Владова А.Ю.
Название:  Формирование групповой и индивидуальной траекторий успеваемости по данным e-learning-платформ
Выпуск:  111
Рубрика:  Управление в социально-экономических системах
Год:  2024
Библиография:  Владова А.Ю. Формирование групповой и индивидуальной траекторий успеваемости по данным e-learning-платформ // Управление большими системами. Выпуск 111. М.: ИПУ РАН, 2024. С.179-196. DOI: https://doi.org/10.25728/ubs.2024.111.7
Ключевые слова:  академическая успеваемость, статистический анализ, линейный дискриминантный анализ, регрессия, траектории обучения, дистанционная платформа
Ключевые слова (англ.):  academic performance, statistical analysis, linear discriminant analysis, regression, learning trajectories, distant learning system
Аннотация:  Поддержание высокого уровня образования является одной из основных задач управления вузом. Несмотря на постоянный мониторинг успеваемости учащихся, менеджмент образовательных учреждений недостаточно использует методы прогноза при формировании траекторий успеваемости. Предлагаемый подход отличается от известных тем, что анализируют признаки, содержащие оценки за различные работы, выполненные на e-learning-платформе, изменяют размерность пространства признаков за счет нормализации оценок по единой шкале, а также создания новых динамических признаков и признаков, содержащих решение задачи классификации учащихся, находящихся в группе академического риска и задачи прогнозирования экзаменационных оценок. Далее по дополненным данным, выделяют группы учащихся со схожими траекториями успеваемости для индивидуализации консультаций. Таким образом, формирование групповой и индивидуальной траекторий успеваемости с учетом результатов прогноза направлено на упреждающее повышение уровня академической успеваемости учащихся в университетских условиях.
Аннотация (англ.):  Maintaining a high level of education is a key task in university management. Despite continuous monitoring of student performance, educational institution management fails to adequately utilize performance forecasting methods when shaping student learning paths. The proposed approach differs from existing ones in several aspects. Firstly, it analyzes features containing grades for various assignments completed by students on the e-learning platform, expanding the feature space by normalizing grades on a single scale and creating new features: an index and changes in performance for different types of assignments. Secondly, it identifies students at academic risk. Thirdly, it predicts exam scores for each student using a linear regression model. Fourthly, it groups students with similar learning trajectories for personalized consultations. The approach to predicting exam results for individual students demonstrates a commitment to providing comprehensive support beyond simple assessment. Through analysis, modeling, and personalized consultations, the research aims to proactively enhance academic performance in university settings.

В формате PDF

Просмотров: 116, загрузок: 31, за месяц: 8.

Назад