УДК 004.8:004.932:004.65:37.062
DOI: 10.36871/2618-9976.2025.12–2.018

Авторы

Залина Майрбековна Ибрагимова,
Ассистент кафедры «Программирование и инфокоммуникационные технлологии», Чеченский государственный университет имени А. А. Кадырова, Грозный, Россия
Елена Ивановна Зацаринная,
Кандидат экономических наук, доцент базовой кафедры финансового контроля, анализа и аудита Главного контрольного управления г. Москвы, Российский экономический университет имени Г. В. Плеханова, Москва, Россия
Ольга Анатольевна Гук,
Кандидат филологических наук, доцент кафедры рекламы, связей с общественностью и издательского дела, Крымский федеральный университет им. В. И. Вернадского, Симферополь, Россия

Аннотация

В контексте цифровизации образования обработка больших данных становится фундаментальным ресурсом для совершенствования учебного процесса и его адаптации к индивидуальным потребностям. Данная работа посвящена изучению методов сбора, обработки и анализа обширных образовательных массивов, к которым относятся данные текущего контроля, цифровая активность учащихся, поведенческие паттерны и социодемографические сведения. Основной фокус сделан на применении алгоритмов машинного обучения и статистического моделирования для прогнозирования учебных результатов и диагностики рисков. Продемонстрировано, что внедрение предиктивных моделей даёт возможность заблаговременно формировать персонализированные образовательные маршруты, повышать действенность педагогической поддержки и способствовать успешности студентов.

Ключевые слова

аналитика больших данных
образовательные данные
машинное обучение
прогнозирование успеваемости
предиктивные модели
цифровая образовательная среда
академическая успеваемость

Список литературы

[1] Бородин А. А., Козлов, В. И. Аналитика больших данных в образовании: подходы и методы.—Москва: Инфра-М, 2020.—312 с.
[2] Воробьёв Д. В. Применение машинного обучения для прогнозирования академической успеваемости студентов // Вестник образования.—2021.—№ 5.—С. 45–53.
[3] Панова Е. А. Большие данные в образовательной среде: возможности и ограничения // Современные технологии образования.—2019.—№ 4.—С. 15–24.
[4] Кузнецов, П. В. Прогнозирование академической успеваемости с использованием методов искусственного интеллекта // Информационные технологии в образовании.—2021.—№ 2.—С. 32–41.
[5] Лаптева Н. И. Применение больших данных для индивидуализации обучения студентов // Вопросы современной педагогики.—2020.—№ 8.—С. 55–63.
[6] Михайлова Т. В. Аналитика больших данных в вузах: опыт и перспективы // Педагогическое образование в России.—2018.—№ 6.—С. 87–95.
[7] Смирнов А. Н., Гусев, И. В. Машинное обучение и образовательная аналитика: подходы и технологии.—Санкт-Петербург: Питер, 2019.—264 с.
[8] Фролова Л. П. Прогностические модели в образовании: теория и практика применения // Образовательная информатика.—2020.—№ 3.—С. 12–21.
[9] Кузнецова О. В. Использование образовательной аналитики для раннего выявления студентов группы риска // Вестник цифровой педагогики.—2021.—№ 2.—С. 33–42.
[10] Николаев С. В. Большие данные и цифровизация образовательного процесса: методологические аспекты.—Москва: Наука, 2018.—198 с.