Использование прогнозных методов оценки успеваемости аспирантов на основе данных LMS-платформ
Автор: Клементьев Александр Александрович
Журнал: Общество: социология, психология, педагогика @society-spp
Рубрика: Социология
Статья в выпуске: 12, 2020 года.
Бесплатный доступ
В статье оценивается перспективность использования LMS-платформ и современных методов статистического анализа данных - деревьев решений - для превентивной оценки академической успеваемости российских аспирантов и предсказания вероятности защиты ими кандидатской диссертации. В работе постулируется наличие проблемы низкой доли студентов, успешно заканчивающих обучение в аспирантуре и защищающих диссертацию. В процессе поиска инструмента для ее решения автор проводит обзор исследований по выявлению факторов успеваемости студентов, осуществляет краткое сравнение доступных статистических приемов и источников данных, подробно рассматривает пример практического применения выбранного инструментария зарубежными учеными. Постулируется вывод о необходимости проведения практического исследования по изучению возможности применения данных LMS и метода деревьев решений для предсказания успеваемости российских аспирантов.
LMS, успеваемость, факторы успеваемости, деревья решений, статистическое моделирование, цифровое образование
Короткий адрес: https://sciup.org/149134506
IDR: 149134506 | DOI: 10.24158/spp.2020.12.19
Список литературы Использование прогнозных методов оценки успеваемости аспирантов на основе данных LMS-платформ
- Основные показатели деятельности аспирантуры и докторантуры [Электронный ресурс] // Федеральная служба государственной статистики. 11^: https://www.gks.ru/storage/mediabank/asp-1.xls (дата обращения: 21.10.2020).
- О внесении изменений в отдельные законодательные акты Российской Федерации в части подготовки научно-педагогических кадров аспирантуре (адъюнктуре)» : федеральный закон [Электронный ресурс] // Система обеспечения законодательной деятельности. URL: http://sozd.duma.gov.ru/download/870DCA96-F704-42E2-82F0-E797A06DF734. (дата обращения: 21.10.2020).
- Johnson J.B. Predicting Success in College at Time of Entrance // School and Society. 1926. No. 23. Р. 82-88.
- Macfadyen L.P., Dawson S. Mining LMS Data to Develop an «Early Warning System» for Educators: A Proof of Concept // Computers & Education. 2010. Vol. 54, iss. 2. Р. 588-599. https://doi.org/10.1016/j.compedu.2009.09.008.
- Adejo O.W., Connolly T. Predicting Student Academic Performance Using Multi-model Heterogeneous Ensemble Approach // Journal of Applied Research in Higher Education. 2018. Vol. 10, iss. 1. P. 61-75. https://doi.org/10.1108/jarhe-09-2017-0113.
- Macfadyen L.P., Dawson S. Op. at. P. 589.
- Гамбеева Ю.Н., Сорокина Е.И. Развитие электронного обучения как новой модели образовательной среды // Креативная экономика. 2018. Т. 12. № 3. С. 285-304. https://doi.org/10.18334/ce.12.3.38897.
- Dawson S.P., McWilliam E., Tan J. Teaching Smarter: How Mining ICT Data Can Inform and Improve Learning and Teaching Practice // Annual Conference of the Australasian Society for Computers in Learning in Tertiary Education. Melbourne, 2008. Р. 221-230.
- Wang A.Y., Newlin M.H. Predictors of Performance in the Virtual Classroom: Identifying and Helping at-risk Cyber-students // The Journal of Higher Education. Academic Matters. 2002. № 29 (10). Р. 21-25.
- Cerezo R., Sanchez-Santillan M., Paule-Ruiz M.P., Nunez J.C. Students' LMS Interaction Patterns and Their Relationship with Achievement: a Case Study in Higher Education // Computers & Education. 2016. Vol. 96. P. 42-54. https://doi.org/10.1016/j.compedu.2016.02.006 ; Minaei-Bidgoli B., Kashy D.A., Kortemeyer G., Punch W.F. Predicting Student Performance: an Application of Data Mining Methods with an Educational Web-based System // 33rd Annual Frontiers in Education. Westminster, 2003. Р. T2A-13. https://doi.org/10.1109/fie.2003.1263284 ; Romero C., López M.I., Luna J.M., Ventura S. Predicting students' final performance from participation in on-line discussion forums // Computers & Education. 2013. Vol. 68. P. 458-472. https://doi.org/10.1016/j.compedu.2013.06.009.
- Oladokun V.O., Adebanjo A.T., Charles-Owaba O.E. Predicting Students' Academic Performance Using Artificial Neural Network: a Case Study of an Engineering Course // The Pacific Journal of Science and Technology. Vol. 9, iss. 1. P. 72-79 ; Kotsiantis S.B., Pintelas P.E. Predicting Students Marks in Hellenic Open University // Advanced Learning Technologies, ICALT. Washington, 2005. P. 664-668. https://doi.org/10.1109/icalt.2005.223.
- Agudo-Peregrina A.F., Iglesias-Pradas S., Conde-Gonzalez M.A., Hernandez-Garcia A. Can We Predict Success from Log Data in VLEs? Classification of Interactions for Learning Analytics and Their Relation with Performance in VLE-supported F2F and Online Learning // Computers in Human Behavior. Vol. 31. Р. 542-550. https://doi.org/10.1016/j.chb.2013.05.031 ; Cerezo R., Sanchez-Santillan M., Paule-Ruiz M.P., Nunez J.C. Op. dt. P. 48-49.
- Sarker F., Tiropanis T., Davis, H.C. Exploring Student Predictive Model that Relies on Institutional Databases and Open Data Instead of Traditional Questionnaires // Proceedings of the 22nd International Conference on World Wide Web ACM. Rio de Janeiro, 2013. P. 413-418. https://doi.org/10.1145/2487788.2487955.
- Демиденко Е.З. Линейная и нелинейная регрессия. М., 1981. 302 с. ; James G., Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning. New York, 2013. 418 p. https://doi.org/10.1007/978-1-4614-7138-7.
- Long W.J., Griffith J.L., Selker H.P., D'Agostino R.B. A Comparison of Logistic Regression to Decision-Tree Induction in a Mediacal Domain // Computers and Biomedical Research. 1993. Vol. 26, iss. 1. P. 74-97. https://doi.org/10.1006/cbmr.1993.1005.
- Adejo O.W., Connolly T. Op. dt. P. 61-75.
