Прогнозування успішності студентів на основі освітньої аналітики

Abstract

У сучасній системі вищої освіти дедалі важливішим стає використання цифрових інструментів для моніторингу та підвищення якості навчального процесу. Значне поширення систем управління навчанням (Learning Management Systems, LMS) створило нові можливості для збору, зберігання та аналізу великих обсягів освітніх даних. Інформація, яка накопичується в LMS, охоплює ключові аспекти навчальної активності студентів - від відвідуваності до оцінок, що дає змогу здійснювати глибокий аналіз академічної успішності та виявляти поведінкові патерни. Актуальність роботи: Упровадження цифрових інструментів у вищій освіті створює нові можливості для об’єктивного оцінювання навчального процесу. Аналіз даних з LMS дозволяє своєчасно виявляти проблеми, визначати сильні та слабкі сторони навчання, а також будувати прогностичні моделі, які можуть стати основою для прийняття ефективних управлінських рішень. Результати цієї роботи мають практичну цінність для адміністрацій закладів освіти, викладачів та фахівців з освітньої аналітики. Предметом даного дослідження є аналіз та прогнозування академічної успішності студентів на основі освітньої аналітики, сформованої з даних LMS. Об’єкт дослідження охоплює успішність студентів однієї спеціальності за період з 2021 по 2023 рік, а також ширший набір даних за перший семестр 2024-2025 навчального року, що включає всі спеціальності та курси. Такий підхід дозволяє як детально вивчити динаміку змін у невеликій вибірці, так і провести моделювання та узагальнення висновків на основі великої репрезентативної сукупності. У першому розділі узагальнено роль освітньої аналітика як інструменту дослідження навчального процесу. Також запропонована типова структура системи освітньої аналітики та встановлені канали надходження даних для аналізу освітніх траєкторій здобувачів освіти. У другому розділі роботи реалізовано розгорнутий аналіз у середовищі Microsoft Excel, де виконано систематизацію результатів студентів у трьох академічних групах, що вступили у 2021, 2022 та 2023 роках. Досліджено середній бал, кількість студентів з академічною заборгованістю, динаміку змін показників упродовж трьох років та здійснено нормалізацію даних для забезпечення їх співставності. У третьому розділі проведено поглиблений аналіз та прогнозування успішності студентів із використанням мови програмування R. Застосовано статистичні методи, такі як регресійний аналіз, кластеризація методом k-середніх, побудова моделей прогнозу на основі поведінкових факторів (зокрема відвідуваності). У роботі використано великий набір даних за перший семестр 2024-2025 року, що дозволяє сформувати більш об’єктивну картину та надати обґрунтовані рекомендації щодо покращення навчального процесу. Предмет дослідження: Сукупність теоретичних, методичних та практичних підходів щодо аналізу та прогнозування академічної успішності студентів на основі даних освітньої аналітики, отриманих з LMS. Об’єкт дослідження: Особливості академічної успішності студентів в розрізі семестрів та академічних груп Мета дослідження: Виявлення факторів, що впливають на академічні результати студентів, побудова аналітичних моделей і формування прогнозів успішності для підтримки якості освітнього процесу. У зв’язку з цим у роботі пропонуються та вирішуються наступні завдання: 1. Узагальнення поняття освітньої аналітики та встановлення джерел даних про освітній процес 2. Формування вибірки даних про успішність студентів та аналіз академічної успішності студентів за допомогою функцій Excel. 3. Аналіз динаміки показників, що характеризують успішність студентів: середній бал, частка боржників, відмінності між роками. 4. Застосування аналітичних методів у середовищі RStudio для дослідження зв’язків між факторами та побудови прогностичних моделей. 5. Кластеризація студентів за академічними та поведінковими характеристиками та надання практичних рекомендацій щодо покращення успішності на основі результатів аналізу. Методи дослідження: Теоретичною та методологічною основою даної роботи є наукові праці вітчизняних та зарубіжних вчених у галуз і освітньої аналітики та education data mining, Інформаційну базу дослідження складають безпосередні дані з аналітичної бази EDEBO, Інформаційної системи «Деканат» та LMS moodle, матеріали журналів, науково-практичних конференцій, нормативні та довідкові матеріали. Для peалізації пoставлєних у poбoтi завдань були викopистанi такi мєтoди та мєтoдики: мoнoгpафічний – пpи вивчєннi та аналізi наукoвoї, наукoвo-тєхнічнoї літepатуpи; економетричні мєтoди– при аналізі та прогнозуванні успішності студентів на основі даних LMS, методи машинного навчання в R – при poзpoбцi пpактичних peкoмєндацій.