УДК 271.261:004.852:378.147
DOI: 10.36871/26189976.2026.04-2.012

Авторы

Наталья Павловна Савина,
Российский экономический университет имени Г.В. Плеханова, Москва, Россия; Институт народнохозяйственного прогнозирования РАН, Москва, Россия
Ирина Геннадьевна Макарова,
Российский экономический университет имени Г.В. Плеханова, Москва, Россия
Александр Альбертович Петросян,
Московский политехнический университет, Москва, Россия

Аннотация

Современные подходы к анализу данных о студенческой успеваемости с использованием методов машинного обучения составляют предмет настоящей статьи. Актуальность исследования обусловлена необходимостью обработки больших объёмов образовательных данных и повышения эффективности управления учебным процессом. Применение алгоритмов классификации, регрессии и кластеризации позволяет выявлять скрытые закономерности в академической деятельности студентов, прогнозировать успеваемость и своевременно идентифицировать группы риска.
Проанализированы успешные кейсы внедрения машинного обучения в образовательной среде: прогнозирование итоговых оценок, анализ посещаемости, выявление факторов, влияющих на академические результаты. Использование моделей (решающие деревья, случайный лес, нейронные сети) способствует повышению точности прогнозов и принятию обоснованных управленческих решений.
Рассмотрены практические аспекты использования образовательных данных (цифровые следы, результаты тестирования, поведенческие показатели). Подчёркнута значимость персонализации образовательных траекторий на основе полученных моделей. Внедрение методов машинного обучения в образовательные системы позволяет повысить качество обучения, снизить уровень академической неуспеваемости и обеспечить адресную поддержку студентов.

Ключевые слова

машинное обучение, анализ данных,
академическая успеваемость,
образовательная аналитика,
прогнозирование, интеллектуальный
анализ данных, классификация,
регрессия, кластеризация,
образовательные технологии,
цифровые следы студентов,
персонализация обучения.

Список литературы

[1] Бахтизин Р. Н., Ахметова Д. Р. Применение методов машинного обучения для прогнозирования академической успеваемости студентов // Современные наукоемкие технологии.—2022.—№ 12.—С. 34–39.

[2] Гаврилова Т. А., Хорошевский В. Ф. Интеллектуальные системы в образовании: методы и модели // Известия Российской академии образования.—2021.—№ 4.—С. 56–68.

[3] Добров Б. В., Иванов В. К. Анализ образовательных данных: методы и перспективы // Искусственный интеллект и принятие решений.—2023.—№ 1.—С. 22–35.

[4] Елисеева Е. Н., Смирнов А. В. Цифровые следы студентов в LMS: возможности анализа с использованием методов машинного обучения // Высшее образование в России.— 2022.—Т. 31, № 6.—С. 89–102.

[5] Козлов Д. А., Морозов С. С. Прогнозирование академической неуспеваемости студентов на основе ансамблевых методов машинного обучения // Открытое образование.— 2023.—Т. 27, № 2.—С. 14–24.

[6] Лебедева Т. Н., Федоров П. А. Формирование критического мышления студентов с использованием технологий искусственного интеллекта // Педагогика и психология образования.—2022.—№ 3.—С. 45–57.

[7] Никулина Е. В., Стариченко Б. Е. Применение алгоритмов классификации и регрессии в задачах образовательной аналитики // Научно-педагогическое обозрение.— 2023.—№ 1 (41).—С. 71–80.

[8] Павлова И. А., Соколов А. Ю. Нейросетевые модели в прогнозировании успеваемости студентов: сравнительный анализ // Информатизация образования и науки. — 2022.—№ 4 (52).—С. 27–38.

[9] Романенко Л. В., Тихомиров В. П. Адаптивные образовательные системы на основе машинного обучения: принципы построения и оценка эффективности // Вестник Московского университета. Серия 20: Педагогическое образование.—2023.—№ 2.— С. 63–76.

[10] Семенова Т. Ю., Кузнецов Д. В. Этические аспекты применения искусственного интеллекта в образовании: анализ данных и защита персональной информации // Этика и образование.—2022.—№ 5 (39).—С. 51–63.