Информационно - коммуникационные и химические технологии

Том_ 2 № 27 (2025) / 2025-06-28 / Кол. просмотров: 346

АНАЛИЗ УСПЕВАЕМОСТИ СТУДЕНТОВ ЭЛЕКТРОННОГО ОБУЧЕНИЯ И ВЛИЯНИЯ ФУНКЦИЙ С ИСПОЛЬЗОВАНИЕМ XGBOOST И SHAP

Авторы

Казахстанско-Британский технический университет
https://orcid.org/0000-0002-0957-1796

Ключевые слова

Электронное обучение, успеваемость студентов, машинное обучение, XGBoost, SHAP (аддитивные объяснения Шепли), прогностическое моделирование, онлайн-образование

DOI ссылка:

https://doi.org/10.58805/kazutb.v.2.27-815

Как цитировать

Mәдениетов M. «АНАЛИЗ УСПЕВАЕМОСТИ СТУДЕНТОВ ЭЛЕКТРОННОГО ОБУЧЕНИЯ И ВЛИЯНИЯ ФУНКЦИЙ С ИСПОЛЬЗОВАНИЕМ XGBOOST И SHAP». Вестник КазУТБ, т. 2, вып. 27, июнь 2025 г., doi:10.58805/kazutb.v.2.27-815.

Аннотация

Электронное обучение стало неотъемлемой частью современного образования, обеспечивая гибкость и доступность для студентов по всему миру. Однако понимание факторов, влияющих на успеваемость студентов в онлайн-обучении, остается сложной задачей. В этом исследовании мы анализируем успеваемость студентов на курсах электронного обучения с помощью классификатора XGBoost и SHAP (SHapley Additive exPlanations) для выявления ключевых характеристик, влияющих на академические результаты. Набор данных, полученный из репозитория машинного обучения Калифорнийского университета в Ирвайне, содержит информацию об учащихся, связанную с личным опытом, семейной обстановкой и образовательными привычками. Мы классифицируем успеваемость учащихся тремя способами: прогнозирование точных оценок, классификация учащихся как сдавших/не сдавших и определение того, получают ли они хорошие или плохие оценки. Наши результаты показывают, что определенные характеристики существенно влияют на успеваемость учащихся. Для прогнозирования сдавших/не сдавших такие факторы, как средний балл за последний семестр, ожидаемый средний балл по окончании обучения и уровень образования родителей, были одними из самых влиятельных. Напротив, для классификации «хорошо/плохо» такие характеристики, как идентификатор курса, наличие работы и тип размещения, играли важную роль. Результаты прогнозирования показывают, что модель лучше всего работает в классификации сдал/не сдал, достигая точности 97,43%, а классификация хорошо/не хорошо достигла 80,07%. Это говорит о том, что прогнозирование широких категорий, таких как сдал/не сдал, намного проще, чем прогнозирование точных оценок. Эти результаты подчеркивают важность тщательного выбора признаков при анализе успеваемости учащихся. Будущие исследования могут расширить это исследование, используя более крупный и разнообразный набор данных, включив дополнительные признаки, такие как показатели вовлеченности учащихся, журналы онлайн-активности и психологические факторы.