В статье рассмотрены современные подходы к прогнозированию академических рисков студентов на основе методов машинного обучения. Проведен сравнительный анализ технологий, включая ансамблевые методы (Random Forest, Gradient Boosting, AdaBoost) и другие алгоритмы классификации. В рамках исследования разработана методология оценки ключевых факторов, влияющих на успеваемость, таких как учебная активность (StudyTimeWeekly), посещаемость (Absences), уровень вовлеченности родителей (ParentalSupport) и внеучебная деятельность. Для проведения исследования использован набор данных о 2392 студентах, прошедший комплексную предобработку, включая анализ корреляций, который выявил влияние GPA и пропусков, и стратифицированное разделение на обучающую и тестовую выборки. Реализована сравнительная оценка моделей по метрикам классификации: Accuracy, Precision, Recall и F1-score. По результатам исследования выявлена высокая эффективность ансамблевых алгоритмов, среди которых метод AdaBoost имеет наивысшую результативность с показателями точности 92,48 %, F1-score 92,21 % и ROC-AUC 93,81 %. Анализ матрицы ошибок подтвердил сбалансированность модели с минимальным количеством ложных срабатываний (38) и пропусков риска (32). Оценка важности признаков показала роль GPA (0.689), а также существенное влияние времени самостоятельной подготовки и количества пропусков, что обеспечивает интерпретируемость модели. Предложены дальнейшие пути развития интеллектуальной системы, включая создание интерактивного веб-приложения, расширение датасета, внедрение механизмов адаптивной калибровки и интеграцию в системы управления обучением (LMS) для практического внедрения в образовательный процесс с целью раннего выявления студентов группы риска и оптимизации образовательных траекторий.
This article examines modern approaches to predicting students' academic risk using machine learning methods. A comparative analysis of these technologies is conducted, including ensemble methods (Random Forest, Gradient Boosting, AdaBoost) and other classification algorithms. The study developed a methodology for assessing key factors influencing academic performance, such as academic activity (StudyTimeWeekly), attendance (Absences), parental involvement (ParentalSupport), and extracurricular activities. The study utilized a dataset of 2,392 students that underwent comprehensive preprocessing, including correlation analysis to identify the impact of GPA and absences, and stratified separation into training and test sets. A comparative evaluation of the models was implemented using the following classification metrics: Accuracy, Precision, Recall, and F1-score. The study revealed the high efficiency of ensemble algorithms, with the AdaBoost method demonstrating the highest performance with an accuracy of 92.48 %, an F1-score of 92.21 %, and a ROC-AUC of 93.81 %. Confusion matrix analysis confirmed the model's balance, with a minimal number of false positives (38) and high-risk missed errors (32). An assessment of feature importance revealed the role of GPA (0.689), as well as the significant influence of self-study time and the number of missed errors, ensuring the model's interpretability. Further development paths for the intelligent system are proposed, including the creation of an interactive web application, dataset expansion, the implementation of adaptive calibration mechanisms, and integration into learning management systems (LMS) for practical implementation in the educational process to early identify at-risk students and optimize educational trajectories.