Прогнозне моделювання аналітики успішності студентів з використанням алгоритмів машинного навчання

Прогнозна аналітика стосується використання алгоритмів машинного навчання та статистики для
прогнозування майбутніх результатів і продуктивності. Такі методи, як інтелектуальний аналіз даних
і прогнозне моделювання, оцінюють ймовірність майбутніх результатів і сповіщають про майбутні
події, щоб допомогти у прийнятті рішення. Використання машинного навчання (ML) для прогнозування
успішності навчання студентів має потенціал для вдосконалення освітніх систем. Застосування ML у
цій галузі відкриває нові можливості для аналізу великих обсягів даних, виявлення складних залежностей
і розробки персоналізованих підходів до навчання. Сучасні системи управління навчанням та електронні
платформи зберігають велику кількість інформації про навчальні досягнення студентів, такі як оцінки,
відвідуваність, здані іспити тощо. Використання цих даних у поєднанні з ML дозволяє ідентифікувати
корисні закономірності та прогнозувати майбутні успіхи студентів. В даній роботи було визначено
проблему прогнозного моделювання та аналітики успішності студентів з використанням алгоритмів
машинного навчання. Дослідження і аналіз алгоритмів машинного навчання для прогнозного моделювання та аналітики успішності студентів є важливим кроком у покращенні освітнього процесу. Відштовхуючись від цього, було проведено дослідження та проаналізовано декілька алгоритмів машинного
навчання. Було проведено аналіз метрик та результатів натренованої моделі. З матриці помилок можна
побачити, що отримано досить непогані результати після підбору параметрів для моделей. У результаті було отримано реалізацію алгоритму прогнозного аналізу з використанням моделей RandomForest
та XGBoost, який підходить для подальшої модернізації та практичному застосуванні. З освітньої
точки зору, це дослідження може допомогти викладачам визначити студентів, які перебувають у групі
ризику щодо поганої успішності, і може допомогти педагогам вжити своєчасних коригувальних заходів