Библиографическое описание:Применение данных цифровой образовательной истории для прогнозирования риска неуспешности студента : научное издание / Т. А. Кустицкая [и др.]. - Текст : непосредственный // Современные информационные технологии и ИТ-образование. - 2024. - Т. 20, № 2. - С. 371-378. - Исследование выполнено за счет гранта Российского научного фонда (проект № 22-28-00413 "Цифровая образовательная история и ее применение в системах поддержки успешности обучения"). - ISSN 2411-1473, DOI 10.25559/SITITO.020.202402.371-378.
Аннотация:В работе рассмотрено несколько постановок задачи прогнозирования успешности обучения на основе образовательных данных. Предложен подход к решению этих задач с использованием цифровой образовательной истории обучающихся - многомерных структурированных динамически изменяющихся данных об их образовательной деятельности и текущих результатах обучения. Сформулированы принципы проектирования базы образовательных данных, позволяющие формировать цифровую образовательную историю студента таким образом, чтобы максимально детально охарактеризовать его образовательный путь, как с точки зрения успеваемости, так и с точки зрения динамики образовательной активности и изменения траектории обучения. В ходе эмпирического исследования на основе образовательных данных студентов Сибирского федерального университета решались два типа задач прогнозирования успешности обучения для студентов: задача прогнозирования риска появления академических задолженностей и задача прогнозирования риска отчисления. Для этих типов задач была исследована предиктивная значимость показателей цифровой образовательной истории и эффект от использования этих показателей в предиктивных моделях с точки зрения качества прогнозирования. Подтверждено, что включение показателей цифровой образовательной истории в состав предикторов моделей позволяет значительно повысить точность прогнозирования отчислений. Выявлены наборы наиболее значимых предикторов таких прогнозных моделей. В состав этих наборов, в частности, вошли данные о предыдущих отчислениях студентов из вуза и причинах этих отчислений, академических отпусках и переводах, о динамике изменения оценок студентов в ходе пересдач. Включение данных цифровой образовательной истории в прогнозные, аналитические или описательные модели может быть полезно и для решения других задач учебной аналитики.
The paper considers several variants of tasks of predicting learning success based on education data. An approach to solving these problems using digital educational history of students - multidimensional structured dynamically changing data on their educational activities and current learning outcomes - is proposed. Principles for designing an education database are formulated, allowing to form a digital educational history of the student in such a way that characterizes his educational path in maximum detail in terms of academic performance, as well as in terms of the dynamics of educational activity and changes in the trajectory of learning. In an empirical study based on educational data of students at the Siberian Federal University we solved two types of tasks: predicting the risk of academic debts and predicting student dropouts. For these types of tasks, the feature inportances for digital educational history indicators, as well as the effect of using these indicators in predictive models on performance metrics were investigated. It was confirmed that including digital educational history in predictive model significantly increases the quality of predicting dropouts. We identified sets of the most important features for such predictive models. These sets included data on previous dropouts of students from the university and the reasons for these dropouts, academic leaves and transfers, and the dynamics of changes in students' grades during retakes.
