УДК 004.89
DOI: 10.36871/26189976.2026.04-5.005

Авторы

Каролина Ардашевна Полякова,
Донской государственный технический университет, Ростов-на-Дону, Россия
Александр Альбертович Петросян,
Московский политехнический университет, Москва, Россия
Хута Айсаевна Бачаева,
ФГБОУ ВО Чеченский государственный университет им. А.А. Кадырова, Грозный, Россия

Аннотация

В статье рассматривается контроль качества данных в цифровой образовательной среде как ключевое условие достоверного применения методов машинного обучения. Показано, что цифровой след обучающегося формируется в результате сетевых взаимодействий между студентами, преподавателями, платформами и институциональными регламентами, поэтому его анализ требует социологической, педагогической и вычислительной интерпретации. Особое внимание уделяется дефектам данных: неполноте, шуму, неоднозначности, дублированию и алгоритмическому смещению. Обосновано, что низкое качество образовательных данных снижает точность прогнозных моделей, искажает оценку учебной активности и ограничивает управленческую применимость образовательной аналитики.

Ключевые слова

цифровая образовательная среда,
цифровой след обучающегося,
качество данных,
машинное обучение.

Список литературы

[1] Баранова Е. В., Швецов Г. В. Методы и инструменты для анализа цифрового следа студента при освоении образовательного маршрута // Перспективы науки и образования. 2021. № 2 (50). С. 415–430. DOI: 10.36871/26189976.2026.04-5.005

[2] Быстрова Т. Ю., Ларионова В. А., Синицын Е. В., Толмачев А. В. Учебная аналитика МООК как инструмент прогнозирования успешности обучающихся // Вопросы образования. 2018. № 4. С. 139–166. DOI: 10.17323/1814-9545-2018-4-139-166.

[3] Вайндорф-Сысоева М. Е., Пчелякова В. В. Перспективы использования цифрового следа в образовательном и научном процессах // Вестник Мининского университета. 2021. Т. 9. № 3. Ст. 1. DOI: 10.26795/2307-1281-2021-9-3-1.

[4] Гафаров Ф. М., Руднева Я. Б., Шарифов У. Ю. Прогностическое моделирование в высшем образовании: определение факторов академической успеваемости // Высшее образование в России. 2023. Т. 32. № 1. С. 51–70. DOI: 10.31992/0869-3617-2023-32-1-51-70.

[5] Глизбург В. И. Применение интеллектуального анализа данных и машинного обучения в образовании // Вестник Российского университета дружбы народов. Серия: Информатизация образования. 2021. Т. 18. № 2. С. 180–187. DOI: 10.22363/2312-8631-2021-18-2- 180-187.

[6] Дьяченко М. С., Леонов А. Г. Цифровой след в образовании как драйвер профессионального роста в цифровую эпоху // E-Management. 2022. Т. 5. № 4. С. 23–30. DOI: 10.26425/2658- 3445-2022-5-4-23-30.

[7] Есин Р. В., Кустицкая Т. А., Носков М. В. Прогнозирование успешности обучения по дисциплине на основе универсальных показателей цифрового следа LMS Moodle // Информатика и образование. 2023. Т. 38. № 3. С. 31–41. DOI: 10.32517/0234-0453-2023-38-3-31-41.

[8] Кашпур В. В., Петров Е. Ю., Гойко В. Л., Фещенко А. В. Возможности использования цифровых следов для прогнозирования образовательных достижений студентов // Вестник Томского государственного университета. Философия. Социология. Политология. 2021. № 64. С. 140–150. DOI: 10.17223/1998863X/64/13.

[9] Криштал М. М., Богданова А. В., Мягков М. Г., Александрова Ю. К. Цифровой след: оценка удовлетворённости студентов качеством образования // Высшее образование в России. 2024. Т. 33. № 2. С. 89–108. DOI: 10.31992/0869-3617-2024-33-2-89-108.

[10] Курзаева Л. В., Савва Л. И., Назарова Е. К., Абзалов А. Р., Килиевич Д. А. Анализ и обработка данных цифрового следа обучающихся // Мир науки. Педагогика и психология. 2022. Т. 10. № 6. Ст. 72PDMN622. EDN: FQPZPC.

[11] Никульчев Е. В., Ильин Д. Ю., Духовенский С. Е., Газанова Н. Ш., Червяков А. А. Методика оценки влияния качества данных на результативность моделей машинного обучения для определения опозданий исполнения контрольных точек проектов // International Journal of Open Information Technologies. 2025. Т. 13. № 10. С. 90–95.