ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ОЦЕНКИ РИСКОВ АКАДЕМИЧЕСКОЙ НЕУСПЕВАЕМОСТИ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ
Авторы:
1.
Казанский государственный технический университет им. А.Н. Туполева
(Систем информационной безопасности, студент)
студент
Россия
студент
Россия
2.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
Тип:
Статья
Страницы:
с 129
по 136
Статус:
Опубликован
Получено:
31.01.2026
Одобрено:
31.01.2026
Опубликовано:
31.01.2026
Язык материала:
русский
Ключевые слова:
МАШИННОЕ ОБУЧЕНИЕ, КЛАССИФИКАЦИОННЫЕ АЛГОРИТМЫ, ПРЕДСКАЗАТЕЛЬНЫЕ МОДЕЛИ, МЕТКИ, ОБУЧЕНИЕ С ПОДКРЕПЛЕНИЕМ, АНАЛИЗ ВЛИЯНИЯ ПРИЗНАКОВ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА, ПРОГНОЗИРОВАНИЕ
Аннотация:
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.
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.
Ключевые слова:
МАШИННОЕ ОБУЧЕНИЕ, КЛАССИФИКАЦИОННЫЕ АЛГОРИТМЫ, ПРЕДСКАЗАТЕЛЬНЫЕ МОДЕЛИ, МЕТКИ, ОБУЧЕНИЕ С ПОДКРЕПЛЕНИЕМ, АНАЛИЗ ВЛИЯНИЯ ПРИЗНАКОВ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА, ПРОГНОЗИРОВАНИЕ
МАШИННОЕ ОБУЧЕНИЕ, КЛАССИФИКАЦИОННЫЕ АЛГОРИТМЫ, ПРЕДСКАЗАТЕЛЬНЫЕ МОДЕЛИ, МЕТКИ, ОБУЧЕНИЕ С ПОДКРЕПЛЕНИЕМ, АНАЛИЗ ВЛИЯНИЯ ПРИЗНАКОВ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА, ПРОГНОЗИРОВАНИЕ
