Формирование групповой и индивидуальной траекторий успеваемости по данным e-learning-платформ
- Авторы: Владова А.Ю.1
-
Учреждения:
- ФГБУН Институт проблем управления им. В.А. Трапезникова РАН, Москва, Финансовый университет при Правительстве РФ
- Выпуск: № 111 (2024)
- Страницы: 179-196
- Раздел: Управление в социально-экономических системах
- URL: https://journal-vniispk.ru/1819-2440/article/view/289120
- DOI: https://doi.org/10.25728/ubs.2024.111.7
- ID: 289120
Цитировать
Полный текст
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.
Об авторах
Алла Юрьевна Владова
ФГБУН Институт проблем управления им. В.А. Трапезникова РАН, Москва, Финансовый университет при Правительстве РФ
Email: avladova@ipu.ru
Москва
Список литературы
- АРЗАМАСЦЕВ С. А., БГАТОВ М., СЕМЕНЧИКОВ Д. Предсказание оттока абонентов: сравнение методов машинного обучения // Computer Tools in Education. – 2018. – №5. – C. 5–23.
- ВЛАДОВА А.Ю. Кластерный анализ изменений про-странственного положения трубных секций маги-стрального нефтепровода по данным внутритрубных обследований // Безопасность труда в промышленности. – 2018. – №1. – C. 22–25.
- ВЛАДОВА А.Ю. Формирование пространства призна-ков и авторегрессионных моделей для прогноза отступ-лений железнодорожного полотна // Проблемы управ-ления. – 2023. – Вып. 2. – C. 54–64.
- ВЛАДОВА А.Ю., ШЕК Е.Д. Подготовка данных для ма-шинного анализа ключевых показателей эффективности территориальных менеджеров // Бизнес-информатика. – 2021. – №3. – C. 48–59.
- ЗАДАДАЕВ С.А., ОРЛОВА И.В. Опыт применения эко-нометрического инструментария для прогнозирования показателей национальных целей развития РФ // Фун-даментальные исследования. – 2022. – №10-1. – С. 54–59. – doi: 10.17513/fr.43343.
- КУРАВСКИЙ Л.С., ЮРЬЕВ Г.А., ЗЛАТОМРЕЖЕВ В.И. и др. Оценка действий экипажа воздушного судна на ос-нове модели рисков человеческого фактора // Экспери-ментальная психология. – 2020. – Т. 13, №2. – С. 153–181. – doi: 10.17759/exppsy.2020130211.
- BAKHTADZE N., ZAIKIN O., ZYLAWSKI A. и др. Incen-tive Model of a Project Learning Process // 7th Int. Conf. on Frontiers of Industrial Engineering, ICFIE-2020: Virtual, Sin-gapore, 2020. – P. 73–81. – doi: 10.1109/ICFIE50845.2020.9266738.
- BAYAZIT A., ILGAZ H., ERDEN S. Profiling students via clustering in a flipped clinical skills course using learning analytics // Medical Teacher. – 2022. – №7(45). – C. 724–731.
- KIM J., CHO J. DBSCAN-Based Tracklet Association An-nealer for Advanced Multi-Object Tracking // Sensors. – 2021. – Vol. 21. – P. 5715.
- LIU M., YU D. Towards intelligent E-learning systems // Ed-ucation and Information Technologies. – 2023. – No. 7(28). – P. 7845–7876.
- NAGY V., DUMA L. Measuring efficiency and effectiveness of knowledge transfer in e-learning // Heliyon. – 2023. – No. 7(9).
- OLUWADELE D., SINGH Y., ADELIYI T. E-Learning Per-formance Evaluation in Medical Education – A Bibliometric and Visualization Analysis // Healthcare. – 2023. – No. 11. – P. 232.
- TROUSSAS C., VIRVOU M., ALEPIS E. Comulang: to-wards a collaborative e-learning system that supports stu-dent group modeling // SpringerPlus. – 2013. – No. 1(2). – P. 387.
- YE M., SHENG X. SA-FEM: Combined Feature Selection and Feature Fusion for Students’ Performance Prediction // Sensors. – 2022. – No. 22(22). – P. 8838.
Дополнительные файлы
