Прогностическая модель оценки успешности предметного обучения в условиях цифровизации образования

Обложка

Цитировать

Полный текст

Аннотация

Постановка проблемы . Представлен один из подходов к решению задачи прогнозирования академической успеваемости обучающихся. В отличии от большинства исследований в этой области, направленных на прогнозирование эффективности выпуска, то есть позволяющих на основе результатов промежуточных аттестаций оценить шансы обучающихся на успешное окончание вуза, результаты данного исследования нацелены на прогнозирование успешности обучения на ранних стадиях образовательного процесса. Методология . Особенность и новизна предлагаемой модели в прогнозировании успеваемости обучающихся на основе марковской модели, источниками данных которой выступают универсальные предикторы электронного обучающего курса, определяющие успешность предметного обучения на основе личностных характеристик обучаемого. Результаты . Описана прогностическая модель оценки успешности предметного обучения в условиях цифровизации образования, раскрыт авторский опыт ее апробации для студентов направления подготовки «Информатика и вычислительная техника» Сибирского федерального университета и результаты качественной оценки работы модели. Заключение . Определены перспективы построения на основе результатов исследования цифрового сервиса прогнозирования академической успеваемости обучающихся в электронной информационно-образовательной среде вуза.

Об авторах

Михаил Валерианович Носков

Сибирский федеральный университет

Email: mnoskov@sfu-kras.ru
ORCID iD: 0000-0002-4514-7925

доктор физико-математических наук, профессор, профессор кафедры прикладной математики и компьютерной безопасности, Институт космических и информационных технологий

Российская Федерация, 660041, Красноярск, Свободный пр-кт, д. 79

Юлия Владимировна Вайнштейн

Сибирский федеральный университет

Автор, ответственный за переписку.
Email: yweinstein@sfu-kras.ru
ORCID iD: 0000-0002-8370-7970

доктор педагогических наук, доцент, профессор кафедры прикладной математики и компьютерной безопасности, Институт космических и информационных технологий

Российская Федерация, 660041, Красноярск, Свободный пр-кт, д. 79

Марина Валериевна Сомова

Сибирский федеральный университет

Email: msomova@sfu-kras.ru
ORCID iD: 0000-0002-8538-4108

старший преподаватель, кафедра прикладной информатики, Институт космических и информационных технологий

Российская Федерация, 660041, Красноярск, Свободный пр-кт, д. 79

Ирина Михайловна Федотова

Сибирский федеральный университет

Email: ifedotova@sfu-kras.ru
ORCID iD: 0000-0002-8673-6275

кандидат физико-математических наук, доцент, доцент кафедры прикладной математики и компьютерной безопасности, Институт космических и информационных технологий

Российская Федерация, 660041, Красноярск, Свободный пр-кт, д. 79

Список литературы

  1. Uvarov AY. On the way to the digital transformation of the school. Moscow: Obrazovaniye i Informatika Publ.; 2018. (In Russ.)
  2. Grinshkun VV. Problems and ways of informatization technologies in education effective use. Bulletin of Moscow University. Series 20: Teacher Education. 2018;(2):34–47. (In Russ.). http://doi.org/10.51314/2073-2635-2018-2-34-47.
  3. Noskov MV, Somova MV, Fedotova IM. Management of the success of student’s learning based on the Markov model. Informatics and Education. 2018;(10):4–11. (In Russ.). http://doi.org/10.32517/0234-0453-2018-33-10-4-11
  4. Kustitskaya TA, Kytmanov AA, Noskov MV. Early student-at-risk detection by current learning performance and learning behavior indicators. Cybernetics and Information Technologies. 2022;22(1):117–133. http://doi.org/10.2478/cait-2022-0008
  5. Kabathova J, Drlik M. Towards predicting student’s dropout in university courses using different machine learning techniques. Applied Sciences. 2021;11(7):3130. https://doi.org/10.3390/app11073130
  6. Maraza-Quispe B, Valderrama-Chauca ED, Cari-Mogrovejo LH, Apaza-Huanca JM, Sanchez-Ilabaca JA. Predictive model implemented in KNIME based on learning analytics for timely decision making in virtual learning environments. International Journal of Information and Education Technology. 2022;12(2):91–99. http://doi.org/10.18178/ijiet.2022.12.2.1591
  7. Cagliero L, Canale L, Farinetti L, Baralis E, Venuto E. Predicting student academic performance by means of associative classification. Applied Sciences. 2021;11(4):14–20. https://doi.org/10.3390/app11041420
  8. Riestra-González M, del Puerto Paule-Ruíz M, Ortin F. Massive LMS log data analysis for the early prediction of course-agnostic student performance. Computers & Education. 2021;163:104–108. http://doi.org/10.1016/j.compedu.2020.104108
  9. Pomyan SV, Belokon OS. Forecast of the results of academic performance of university students based on Markov processes. Herald of Vyatka State University. 2020;(4):63–73. (In Russ.) http://doi.org/10.25730/VSU.7606.20.057
  10. González-Campos JA, Carvajal-Muquillaza CM, Aspeé-Chacón JE. Modeling of university dropout using Markov chains. Uniciencia. 2020;34(1):129–146. http://doi.org/10.15359/ru.34-1.8
  11. Eldose KK, Mayureshwar BD, Kumar KR, Sridharan R. Markov analysis of academic performance of students in higher education: a case study of an engineering institution. International Journal of Services and Operations Management. 2022;41(1–2):59–81. http://doi.org/10.1515/orga-2017-0006
  12. Serbin VI. Method for calculating the parameters of an automated learning system. Prikaspiyskiy Zhurnal: Upravleniye i Vysokiye Tekhnologii. 2012;(2):66–71. (In Russ.)
  13. Venttsel YeS, Ovcharov LA. Theory of random processes and its engineering applications. Moscow: Yustitsiya Publ.; 2018. (In Russ.)
  14. Raskovalova OS. Theoretical and methodological foundations of the success of education in the system of additional education. Perspectives of Science. 2017;10(97):85–89.
  15. Zoabi A. Success of the study: challenges and problems. Vestnik of Novgorod State University. 2016;(5):17–19. (In Russ.)

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».