Прогнозирование сложности курса на основе оценок по обеспечивающим дисциплинам с помощью метода логистической регрессии на примере курса по программированию на Python
Основное содержимое статьи
Аннотация
В статье рассматриваются методы прогнозирования сложности учебных курсов на основе логистической регрессии с использованием оценок по обеспечивающим дисциплинам. Основной объект исследования — курс «Программирование на Python», для которого ключевыми обеспечивающими дисциплинами выбраны математика, информатика и английский язык. Целью исследования является разработка модели, позволяющей адаптировать учебные задания к индивидуальным потребностям студентов, повышая эффективность образовательного процесса. Для реализации модели использованы синтетические данные, что обусловлено ограничениями доступа к реальным образовательным данным. Применение методов машинного обучения, в частности логистической регрессии, позволяет получить не только классификацию курсов по сложности (легкий, средний, сложный), но и вероятностные оценки, отражающие степень уверенности модели в своих предсказаниях. Авторы рассматривают весовые коэффициенты признаков, что позволяет понять вклад каждой обеспечивающей дисциплины в прогнозирование сложности. Прогнозирование сложности курсов и заданий способствует более точному подбору учебных материалов, что улучшает качество образования и способствует развитию персонализированных образовательных траекторий. Таким образом, статья вносит вклад в развитие методов образовательной аналитики и подчеркивает необходимость перехода от прогнозирования успеваемости студентов к прогнозированию сложности курсов, что открывает новые перспективы для персонализации образовательного процесса и повышения его эффективности.
Скачивания
Информация о статье
![Лицензия Creative Commons](http://i.creativecommons.org/l/by/4.0/88x31.png)
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Агаев Ф. Т., Мамедова Г. А., Меликова Р. Т. Прогнозирование успеваемости студентов в электронном образовании с использованием методов data mining. // Информатизация образования и методика электронного обучения: цифровые технологии в образовании: Материалы V Международной научной конференции. В 2-х частях, Красноярск, 21-24 сентября 2021 года / Под общей редакцией М. В. Носкова. Том Часть 2. Красноярск: Сибирский федеральный университет, 2021. – С. 19-23. – EDN: BREKVL.
Predicting student failure at school using genetic programming and different data mining ap-proaches with high dimensional and imbalanced data / C. Márquez, A. Cano, C.Romero, S. Ventura // Applied intelligence. – 2013. – Vol. 38, № 3. – P. 315–330. – DOI: 10.1007/s10489-012-0374-8.
Mgala, M., Mbogho A. Data-driven intervention-level prediction modeling for academic performance // Proceeding ICTD '15 Proceedings of the Seventh International Conference on Information and Communication Technologies and Development. –2015. – Article No. 2. – DOI: 10.1145/2737856.2738012.
Shahiri A. M., Husain W., R. N. Abdul. A Review on Predicting Student's Performance Using Data Mining Techniques // Procedia Computer Science. – 2015. – Vol. 72, No.14. – P. 414–422. – DOI: 10.1016/j.procs.2015.12.157
Цифровая образовательная история как составляющая цифрового профиля обучающегося в условиях трансформации образования / Р. В. Есин, Т. В. Зыкова, Т. А. Кустицкая, А. А. Кытманов // Перспективы науки и образования. 2022. – № 5 (59). – С. 566-584. – DOI: 10.32744/pse.2022.5.34.
Кустицкая Т. А., Носков М. В., Вайнштейн Ю. В. Прогнозирование успешности обучения: проблемы и задачи // Наука и школа. –2023. – № 4. – С. 71-83. – DOI: 10.31862/1819-463X-2023-4-71-83.
Аксентов В. А. Важность математики в программировании // Вестник науки. – 2023. – №2 (59). – С. 201-203. – URL: https://cyberleninka.ru/article/n/vazhnost-matematiki-v-programmirovanii (дата обращения: 20.03.2024).
Ерохина Е. А., Хруслова Д. В. Влияние результатов ЕГЭ на успеваемость студентов вузов // Информационные технологии в науке, образовании и управлении: Труды международной конференции IT + S&E'16 (Гурзуф, 22.05. – 01.06.2016). М.: ИНИТ, 2016. — С. 265-272.
Микитченко С. П., Разинкин В. Б. Английский язык в деятельности программиста // Психология и педагогика: методика и проблемы практического применения. – 2016. – №49-2. –С. 45-49. – URL: https://cyberleninka.ru/article/n/angliyskiy-yazyk-v-deyatelnosti-programmista (да-та обращения: 16.03.2024).
Баранова М. В. О необходимости изучения английского языка студентами – будущими программистами. // Известия ПГПУ им. В. Г. Белинского. – 2011. – № 24. – С. 540-543.
Применение методов нечеткой логики для формирования адаптивной индивидуальной траектории обучения на основе динамического управления сложностью курса/ М.А. Белов, С. И. Гришко, А. В Живетьев [и др.] // Моделирование Оптимизация И Информационные Технологии. – 2022. – Том 10, № 4 (39). – С. 7–8.
Черняева Н. В. Модели и алгоритмы исследования корреляции между дисциплинами учебного плана специальности в вузах. // Актуальные проблемы современной науки: взгляд молодых: сборник трудов V Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых, 26 апреля 2016 г. / [науч. ред. О. С. Нагорная]. Челябинск: Violitprint, 2016. – С. 228-234.