УДК 004.8:378.146
DOI: 10.36871/26189976.2026.04-2.009

Авторы

Наила Алигасановна Теплая,
Московский государственный университет технологий и управления имени К.Г. Разумовского, Москва, Россия
Зурида Борисовна Батчаева,
Северо-Кавказская государственная академия, Черкесск, Россия
Светлана Глебовна Николаева,
Казанский государственный энергетический университет, Казань, Россия

Аннотация

В статье рассматриваются способы использования методов машинного обучения для анализа образовательных данных и прогнозирования успеваемости студентов. Современные образовательные платформы и информационные системы собирают огромные объемы данных о студентах: от результатов тестов и посещаемости до активности на онлайн курсах и других показателей. Применение алгоритмов машинного обучения помогает обнаружить скрытые закономерности в этих данных и создавать модели, которые могут заранее предсказать успеваемость студентов и выявить тех, кто находится в группе риска.
В работе рассматриваются различные методы обработки образовательных данных, а также популярные алгоритмы машинного обучения, такия как решающие деревья, случайный лес, логистическая регрессия и нейронные сети. Особое внимание уделяется этапам создания прогностических моделей: сбору и подготовке данных, выбору признаков, обучению модели и оценке ее точности. Важный акцент сделан на практическое значение таких систем для улучшения образовательного процесса: от персонализированного обучения до своевременной помощи студентам, которые сталкиваются с трудностями в учебе.

Ключевые слова

машинное обучение, анализ
образовательных данных,
прогнозирование успеваемости,
образовательная аналитика,
интеллектуальные образовательные
системы, предиктивная аналитика,
учебные данные, студенты,
алгоритмы машинного обучения.

Список литературы

[1] Бринк Х., Ричардс Дж., Феверолф М. Машинное обучение. — Санкт-Петербург: Питер, 2021. — 336 с.

[2] Бурков А. Машинное обучение. Краткое, но содержательное введение. — СанктПетербург: Питер, 2020. — 240 с.

[3] Гудфеллоу И., Бенджио Й., Курвилль А. Глубокое обучение. — Москва: ДМК Пресс, 2020. — 652 с.

[4] Жукова Н. А., Тихомиров В. П. Анализ образовательных данных для прогнозирования академической успеваемости студентов // Информатика и образование. — 2020. — № 6. — С. 45–51.

[5] Кузнецов С. О. Интеллектуальный анализ данных. — Москва: ЛЕНАНД, 2019. — 312 с.

[6] Михайлов А. В., Сидоров И. Н. Применение методов машинного обучения для прогнозирования успеваемости студентов // Вестник современных информационных технологий. — 2021. — № 3. — С. 58–64.

[7] Рассел С., Норвиг П. Искусственный интеллект: современный подход. — Москва: Вильямс, 2020. — 1408 с.

[8] Романов А. Н., Кравченко И. А. Использование технологий интеллектуального анализа данных в образовательных системах // Открытое образование. — 2019. — Т. 23, № 4. — С. 34–41.