Informacionnye TehnologiiInformacionnye TehnologiiИнформационные технологии1684-6400New Technologies Publishing House70229210.17587/it.31.215-224Information technologies in educationИнформационные технологии в образованииResearch ArticleIncreasing the accuracy of the model for predicting the performance of university studentsПовышение точности модели прогнозирования успеваемости студентов вузовLiksonovaD. I.ЛиксоноваД. И.
Russian Federation

Cand. Sc., Assistant Professor

канд. техн. наук, доц.,

liksonovadi@yandex.ruDanichevA. A.ДаничевА. А.
Russian Federation

Cand. Sc., Assistant Professor

канд. техн. наук, доц.

adanichev@sfu-kras.ruShestakovV. N.ШестаковВ. Н.
Russian Federation

Cand. Sc., Assistant Professor

канд. филос. наук, доц.

vshestakov@sfu-kras.ruYakuninYu. Yu.ЯкунинЮ. Ю.
Russian Federation

Cand. Sc., Assistant Professor

канд. техн. наук, доц.

yakuninyy@mail.ruSiberian Federal UniversityСибирский федеральный университет150420253142152240702202607022026Copyright ©; 2025, Informacionnye TehnologiiCopyright ©; 2025, Информационные технологии2025Informacionnye TehnologiiИнформационные технологииhttps://journals.eco-vector.com/1684-6400/article/view/702292

This paper discusses approaches to preparing educational data on students’ learning outcomes to improve the accuracy of predicting their academic performance over a given period. The rules for checking initial data for using them in a forecasting model are considered, implemented, and investigated. The rules help to work with poor-quality initial data and improve the accuracy of modeling. Modeling of students’ learning outcomes is based on a nonparametric estimate of the Nadaraya-Watson regression function. The article presents some fragments of computational experiments that show acceptable results from a practical point of view.

Рассматриваются подходы для подготовки и обработки промежуточных результатов обучения студентов для повышения точности прогнозирования их успеваемости в течение заданного периода. Рассмотрены, реализованы и исследованы правила проверки исходных данных для применения их в модели прогнозирования. Приведены некоторые фрагменты вычислительных экспериментов, которые показывают приемлемые результаты с практической точки зрения.

student performance forecastingapproaches to preparing educational dataforecast modelmathematical modelinglearning outcomese-learning systemпрогнозирование успеваемости студентовподходы для подготовки промежуточных результатов обученияпрогнозная модельматематическое моделированиерезультаты обучениясистема электронного обученияBognar L. Predicting Student Attrition in University Courses, Machine Learning Educational Sciences, Khine, M. S. (eds), Springer, Singapore, 2024, pp. 129—157.Bognar L. Predicting Student Attrition in University Courses // Khine M. S. (eds). Machine Learning Educational Sciences. Springer, Singapore. 2024. P. 129—157.Yakunin Yu. Yu., Shestakov V. N., Liksonova D. I., Danichev A. A. Predicting student learning outcomes using machine learning tools, Informatika i obrazovanie, 2023, vol. 38, no. 4, pp. 28—43 (in Russian).Якунин Ю. Ю., Шестаков В. Н., Ликсонова Д. И., Даничев А. А. Прогнозирование результатов обучения студентов с использованием инструментов машинного обучения // Информатика и образование. 2023. Т. 38, № 4. С. 28—43.Toktarova V. I., Pashkova Yu. A. Predictive analytics in digital education: analysis and assessment of student learning success, Sibirskij pedagogicheskij zhurnal, 2022, no. 1, pp. 97—106 (in Russian).Токтарова В. И., Пашкова Ю. А. Предиктивная аналитика в цифровом образовании: анализ и оценка успешности обучения студентов // Сибирский педагогический журнал. 2022. № 1. С. 97—106.Popova N. A., Egorova E. S. Intelligent analysis of educational data to predict the performance of university students, Izvestiya Kabardino-Balkarskogo nauchnogo centra RAN, 2023, no. 2 (112), pp. 18—29 (in Russian).Попова Н. А., Егорова Е. С. Интеллектуальный анализ образовательных данных для прогноза успеваемости студентов вуза // Известия Кабардино-Балкарского научного центра РАН. 2023. № 2 (112). С. 18—29.Rusakov S. V., Rusakova O. L., Posohina K. A. Neural network model for predicting risk groups based on academic performance of first-year students, Sovremennye’ informacionnye tekhnologii i IT-obraz.ovanie, 2018, vol. 14, no. 4, pp. 815—822 (in Russian).Русаков С. В., Русакова О. Л., Посохина К. А. Нейросетевая модель прогнозирования группы риска по успеваемости студентов первого курса // Современные информационные технологии и ИТ-образование. 2018. Т. 14, № 4. С. 815—822.Budaeva A. A. Forecasting personal academic performance of students at university, IT-Tekhnologii: razvitie i prilozheniya, XV Ezhegodnaya Mezhdunarodnaya nauchnotekhnicheskaya konferen- ciya, 2018, pp. 9—16 (in Russian).Будаева А. А. Прогнозирование персональной успеваемости студентов в вузе // IT-Технологии: развитие и приложения. XV Ежегодная Международная научно-техническая конференция: Сборник докладов. 2018. С. 9—16.Al-Shehri H. et al. Student performance prediction using support vector machine and k-nearest neighbor, IEEE 30th Canadian Conference on Electrical and Computer Engineering (CCECE), IEEE, 2017, pp. 1—4.Al-Shehri H. et al. Student performance prediction using support vector machine and k-nearest neighbor // IEEE 30th Canadian Conference on Electrical and Computer Engineering (CCECE). IEEE, 2017. С. 1—4.Apatova N. V., Gaponov A. I., Majorova A. N. Predicting student performance based on fuzzy logic, Sovremennye naukoem- kie tekhnologii, 2017, no. 4, pp. 7—11 (in Russian).Апатова Н. В., Гапонов А. И., Майорова А. Н. Прогнозирование успеваемости студентов на основе нечеткой логики // Современные наукоемкие технологии. 2017. № 4. С. 7—11.Proshkina E. N., Balashova I. Yu. Analysis and forecasting of student performance based on a radial basis neural network, Tekhnicheskie nauki: tradicii i innovacii: materialy III Mezhdunar. nauch. konf., 2018, pp. 24—28 (in Russian).Прошкина Е. Н., Балашова И. Ю. Анализ и прогнозирование успеваемости студентов на основе радиальной базисной нейронной сети // Технические науки: традиции и инновации: материалы III Междунар. науч. конф. Казань: Молодой ученый, 2018. С. 24—28.Kaledin O. E., Kaledina E. A., Shcherbakov D. V. Predicting the academic performance of university students based on collaborative filtering algorithms, Vestnik komp’yuternyh i informacionnyh tekhnologij', 2023, vol. 20, no. 2 (224), pp. 37—43 (in Russian).Каледин О. Е., Каледина Е. А., Щербаков Д. В. Прогнозирование успеваемости студентов вуза на основе алгоритмов коллаборативной фильтрации // Вестник компьютерных и информационных технологий. 2023. Т. 20, № 2 (224). С. 37—43.Kosyakin Yu. V. Predicting the current and long-term performance of distance education students based on regression models, Gumanitarnoe obrazovanie v paradigme slozhnosti: sbornik nauchnyh statej, 2016, pp. 14—44 (in Russian).Косякин Ю. В. Прогнозирование текущей и долгосрочной успеваемости студентов дистанционного образования на основе регрессионных моделей // Гуманитарное образование в парадигме сложности: сборник научных статей. 2016. С. 14—44.Ohkawauchi T., Tanaka E. Predicting Student Dropout Risk Using LMS Logs, IIAI Letters on Institutional Research, 2024, vol. 4, 8 p.Ohkawauchi T., Tanaka E. Predicting Student Dropout Risk Using LMS Logs // IIAI Letters on Institutional Research. 2024. Vol. 4. 8 p.Zheleznov M. M. Methods and technologies for processing big data, Moscow, Publishing house of MISI — MGSU, 2020, 46 p (in Russian).Железнов М. М. Методы и технологии обработки больших данных. М.: Издательство МИСИ — МГСУ, 2020. 46 с.Belonozhko P. P., Karpenko A. P., Hramov D. A. Analysis of educational data: directions and prospects for application, NAUKOVEDENIE, 2017, vol. 9, no. 4 (in Russian).Белоножко П. П., Карпенко А. П., Храмов Д. А. Анализ образовательных данных: направления и перспективы применения // НАУКОВЕДЕНИЕ. 2017. Т. 9, № 4.Ryzhenkova K. V. Methods for recovering missing data when conducting statistical research, Intellekt. Innoveicii. Investicii, 2012, no. 3, pp. 127—133 (in Russian).Рыженкова К. В. Методы восстановления пропуска данных при проведении статистических исследований // Интеллект. Инновации. Инвестиции. 2012. № 3. С. 127—133.Pogrebnikov A. K., Shestakov V. N., Yakunin Yu. Yu. The influence of the use of elements of a personal educational environment on students’ performance and their motivation to learn, Informatika i obrazovanie, 2020, no. 1 (310), pp. 42—50 (in Russian).Погребников А. К., Шестаков В. Н., Якунин Ю. Ю. Влияние использования элементов персональной образовательной среды на успеваемость студентов и их мотивацию к обучению // Информатика и образование. 2020. № 1 (310). С. 42—50.Nadaraya E. A. Nonparametric probability density and regression curve estimation, Tbilisi, Publishing house of TGU, 1983. 194 p (in Russian).Надарая Э. А. Непараметрическое оценивание плотности вероятностей и кривой регрессии. Тбилиси: Изд-во ТГУ, 1983. 194 с.Sign test, available at: https://en.wikipedia.org/wiki/ Sign_test (date of access: 15.04.24).Sign test. URL: https://en.wikipedia.org/wiki/Sign_test (дата обращения: 15.04.24).Fisher’s angular transformation, available at: https:// studizba.com/lectures/psihologiya/matematicheskie-metody-v- psihologii/17482-uglovoe-preobrazovanie-fishera.html (date of access: 25.03.24) (in Russian).Угловое преобразование Фишера. URL: https://studizba.com/lectures/psihologiya/matematicheskie-metody-v-psihologii/17482-uglovoe-preobrazovanie-fishera.html (дата обращения: 25.03.24).