Порівняльний аналіз алгоритмів машинного навчання в задачах підтримки прийняття рішень щодо академічної успішності

Анотація

У сучасних умовах цифровізації освіти особливої ваги набуває питання об’єктивного оцінювання результатів навчання та своєчасного виявлення студентів, які потребують додаткової підтримки. У даній роботі розглянуто можливості застосування алгоритмів машинного навчання для прогнозування підсумкових результатів семестрового контролю. Актуальність дослідження зумовлена потребою в інструментах об’єктивізації оцінювання та своєчасного виявлення ризиків неуспішності для коригування індивідуальної освітньої траєкторії. Дослідження спрямоване не лише на отримання точного числового бала, а й на визначення рівня успішності студента в узагальненій категоріальній формі (від «Very low» до «Good»), що дозволяє глибше проаналізувати якість освітнього процесу та своєчасно скоригувати індивідуальну траєкторію навчання. У роботі використано набір даних «Students Performance Factors», який охоплює показники відвідуваності занять, інтенсивності навчання, попередньої академічної підготовки та соціально-економічних чинників. Підготовка даних включала очищення від аномалій, нормалізацію ознак і кореляційний аналіз для відбору найбільш інформативних параметрів. Для експериментального дослідження застосовано лінійну регресію, багатошаровий перцептрон (нейронну мережу), дерева рішень та випадковий ліс. Оцінювання моделей здійснювалося за метриками R² і MAE для задач регресії та за показником точності для задач класифікації. Результати показали, що для прогнозування точного підсумкового балу найбільш доцільною виявилася лінійна регресія, яка продемонструвала високу точність та простоту інтерпретації. Водночас у задачі розподілу студентів за рівнями успішності кращі результати отримано за допомогою нейронної мережі. Аналіз дерева рішень підтвердив важливу роль відвідуваності як ключового чинника академічного успіху. Отриманні результати показують, що вибір методу має залежати від формату прогнозу: для кількісних оцінок доцільно використовувати регресію, а для якісного розділення студентів за рівнями – нейронні мережі. Дослідження відкриває перспективи впровадження інструментів освітньої аналітики для підвищення ефективності навчання