|
DOI: 10.14489/vkit.2023.02.pp.037-043
Каледин О. Е., Каледина Е. А., Щербаков Д. В.
ПРОГНОЗИРОВАНИЕ УСПЕВАЕМОСТИ СТУДЕНТОВ ВУЗА НА ОСНОВЕ АЛГОРИТМОВ КОЛЛАБОРАТИВНОЙ ФИЛЬТРАЦИИ
(c. 37-43)
Аннотация. Описан подход к разработке системы предсказания успеваемости для студентов вузов относительно дисциплин по выбору из учебного плана. Прогнозная модель основана на алгоритмах машинного обучения. В качестве основного метода была использована коллаборативная фильтрация внутри направлений и профилей подготовки. Источниками данных, отражающих цифровой след студентов в контексте образовательного процесса, является электронно-образовательная информационная среда вуза и официальный портал вуза, на котором размещены образовательные стандарты направлений обучения, рабочие программы и их краткие аннотации. Примененные подходы способны работать в условиях небольших данных и не требуют высоких производительных затрат. Полученная предсказательная модель обладает достаточно высокой точностью и может применяться в рекомендательных системах для построения индивидуальных образовательных траекторий студентов вузов.
Ключевые слова: машинное обучение; коллаборативная фильтрация; рекомендательная система; прогнозная модель.
Kaledin O. E., Kaledina E. A., Shcherbakov D. V.
PREDICTION OF THE PROGRESS OF UNIVERSITY STUDENTS BASED ON COLLABORATIVE FILTERING ALGORITHMS
(pp. 37-43)
Abstract. Building an optimal individual educational trajectory for students is currently impossible without the use of recommender systems. The role of such a system for individual educational trajectory is to inform the student about the most useful disciplines for him, based on his interests and academic performance. An important factor for recommendations is the forecast of student progress. Through assessments, the student's inclination to a particular subject, as well as the level of his education, can be expressed. In addition, the success of mastering the discipline greatly affects the motivation of students. Thus, an important part of the recommender system is the prediction model. The article describes an approach to developing a system for predicting the progress of university students in elective disciplines. The predictive model is based on machine learning algorithms. Collaborative filtering was used as the main method. The sources for collecting data on the digital footprint of students are the electronic educational information environment of the university and the official portal, which hosts educational standards, work programs and annotations. Information about students and their progress is presented in the form of three tables – a rating plan, disciplines and a list of students. The data structure has the form of a double nested dictionary, where the keys are sections of the university from faculty to specialty and year of study, and the values are tables with the student identification number, course of study, subject, normalized grade, and elective and model labels. To solve the filtering problem, k-means algorithms, cosine proximity, and Pearson correlation were used. The applied approaches are able to work for small data and do not require large performance costs. The resulting predictive model has a sufficiently high accuracy and can be used in recommender systems to build individual educational trajectories of university students.
Keywords: Machine learning; Collaborative filtering; Recommender system; Predictive model.
О. Е. Каледин, Е. А. Каледина (Национальный исследовательский Мордовский государственный университет им. Н. П. Огарёва, Саранск, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
Д. В. Щербаков (ООО «Симбирсофт», Саранск, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
O. E. Kaledin, E. A. Kaledina (National Research Ogarev Mordovia State University, Saransk, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
D. V. Shcherbakov (Simbirsoft LLC, Saransk, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. Плаксина О. А., Матвеева Т. А. Проектирование индивидуальной образовательной траектории в вузе // Вестник Челябинского государственного педагогического университета. 2013. № 12–1. С. 66 – 73. URL: https://elibrary.ru/item.asp?id=21079952 (дата обращения: 01.11.2022).
2. Лавренова Е. В., Теплякова А. Ю. Рекомендательные системы в образовании // Преподавание информационных технологий в Российской Федерации: сб. науч. трудов материалов Девятнадцатой открытой Всероссийской конференции. Москва, 2021. С. 113–114. URL: https://it-education.ru/conf2021/ thesis/Thesis_IT_in_RF_2021.pdf (дата обращения: 01.11.2022).
3. Xu Y., Zhang M., Gao Z. The Construction of Distance Education Personalized Learning Platform Based on Educational Data Mining // Advances in Intelligent Systems and Computing: International Conference on Applications and Techniques in Cyber Intelligence ATCI 2019. 2019. V. 1017. P. 1076 – 1085. URL: https://doi.org/10.1007/978-3-030-25128-4_134 (дата обращения: 01.11.2022).
4. Chen J., Zhao C., Chen U., Chen L. Collaborative Filtering Recommendation Algorithm Based on User Correlation and Evolutionary Clustering // Complex & Intelligent Systems. 2020. P. 147 – 156. URL: https://link.springer.com/ article/10.1007/s40747-019-00123-5 (дата обращения: 01.11.2022).
5. Куприянов Р. Б., Агранат Д. Л. Использование технологий искусственного интеллекта для выстраивания индивидуальных образовательных траекторий обучающихся // Вестник Российского университета дружбы народов. Информатизация образования. 2021. Т. 18, № 1. С. 27 – 35.
6. Морозевич Е. С., Коротких В. С., Кузнецова Е. А. Разработка модели формирования индивидуальных образовательных траекторий с использованием методов машинного обучения // Бизнес-информатика. 2022. Т. 16, № 2. С. 21 35. URL: https://elibrary.ru/item.asp?id=48879676 (дата обращения: 01.11.2022).
7. Захарова И. Г., Воробьева М. С., Боганюк Ю. В. Сопровождение индивидуальных образовательных траекторий на основе концепции объяснимого искусственного интеллекта // Образование и наука. 2022. Т. 24, № 1. С. 163 – 190. URL: https://cyberleninka.ru/article/n/soprovozhdenie-individualnyh-obrazovatelnyh-traektoriy-na-osnove-kont-septsii-obyasnimogo-iskusstvennogo-intellekta (дата обращения: 01.11.2022).
8. Sun J. C.-Y., Lin C.-T., Chou C. Applying Learning Analytics to Explore the Influence of Online Learners’ Motivation on Their Online Learning Behavioral Patterns // 5th IIAI International Congress on Advanced Applied Informatics (IIAI-AAI). 10 – 14 July, 2016. Kumamoto, Japan, 2016. DOI: 10.1109/IIAI-AAI.2016.186
9. Shirude S. B., Kolhe S. R. Measuring Similarity Between User Profile and Library Book // International Conference on Information Systems and Computer Networks (ISCON). 01–02 March, 2014. Mathura, India, 2014. DOI: 10.1109/ICISCON.2014.6965217
10. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: ДМКПресс, 2018. 652 с.
1. Plaksina O. A., Matveeva T. A. (2013). Designing an individual educational trajectory at the university. Vestnik Chelyabinskogo gosudarstvennogo pedagogicheskogo universiteta, (12–1), pp. 66 – 73. Available at: https://elibrary.ru/item.asp?id=21079952 (Accessed: 01.11.2022). [in Russian language]
2. Lavrenova E. V., Teplyakova A. Yu. (2021). Recommender systems in education. Teaching Information Technology in the Russian Federation: Proceedings of the Nineteenth Open All-Russian Conference, pp. 113 – 114. Moscow. Available at: https://it-education.ru/conf2021/thesis/Thesis_IT_in_RF_2021.pdf (Accessed: 01.11.2022). [in Russian language]
3. Xu Y., Zhang M., Gao Z. (2019). The Construction of Distance Education Personalized Learning Platform Based on Educational Data Mining. Advances in Intelligent Systems and Computing: International Conference on Applications and Techniques in Cyber Intelligence ATCI 2019, Vol. 1017, pp. 1076 – 1085. Available at: https://doi.org/10.1007/978-3-030-25128-4_134 (Accessed: 01.11.2022).
4. Chen J., Zhao C., Chen U., Chen L. (2020). Collaborative Filtering Recommendation Algorithm Based on User Correlation and Evolutionary Clustering. Complex & Intelligent Systems, pp. 147 – 156. Available at: https://link.springer.com/article/10.1007/s40747-019-00123-5 (Accessed: 01.11.2022).
5. Kupriyanov R. B., Agranat D. L. (2021). The use of artificial intelligence technologies for building pedagogical educational trajectories of students. Vestnik Rossiyskogo universiteta druzhby narodov. Informatizatsiya obrazovaniya, Vol. 18, (1), pp. 27 – 35. [in Russian language]
6. Morozevich E. S., Korotkih V. S., Kuznetsova E. A. (2022). Development of a model for forming individual educational trajectories using machine learning methods. Biznes-informatika, Vol. 16, (2), pp. 21 35. Available at: https://elibrary.ru/item.asp?id=48879676 (Accessed: 01.11.2022). [in Russian language]
7. Zaharova I. G., Vorob'eva M. S., Boganyuk Yu. V. (2022). Supporting individual educational trajectories based on the concept of explicable artificial intelligence. Obrazovanie i nauka, Vol. 24, (1), pp. 163 – 190. Available at: https://cyberleninka.ru/article/n/soprovozh-denie-individualnyh-obrazovatelnyh-traektoriy-na-osno-ve-kont-septsii-obyasnimogo-iskusstvennogo-intellekta (Accessed: 01.11.2022). [in Russian language]
8. Sun J. C.-Y., Lin C.-T., Chou C. (2016). Applying Learning Analytics to Explore the Influence of Online Learners’ Motivation on Their Online Learning Behavioral Patterns. 5th IIAI International Congress on Advanced Applied Informatics (IIAI-AAI). Kumamoto. DOI: 10.1109/IIAI-AAI.2016.186
9. Shirude S. B., Kolhe S. R. (2014). Measuring Similarity Between User Profile and Library Book. International Conference on Information Systems and Computer Networks (ISCON). Mathura. DOI: 10.1109/ICISCON.2014.6965217
10. Gudfellou Ya., Bendzhio I., Kurvill' A. (2018). Deep learning. Moscow: DMKPress. [in Russian language]
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/vkit.2023.02.pp.037-043
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/vkit.2023.02.pp.037-043
and fill out the form
.
|
Архив номеров
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»