Science for Education Today, 2019, Т. 9, № 6, С. 73–87
© Озерова Г. П., Павленко Г. Ф., 2019
УДК: 
378

Прогнозирование успешности студентов при смешанном обучении с использованием данных учебной аналитики

Озерова Г. П. 1 (Владивосток, Россия), Павленко Г. Ф. 1 (Владивосток, Россия)
1 Дальневосточный федеральный университет
Полный текст (свободный доступ) — Скачан 1344 раз(а)
Аннотация: 

Проблема и цель. Статья посвящена проблемам прогнозирования успешности студентов, обучающихся с использованием online-платформ. Цель статьи – выявить особенности прогнозирования успешности студентов при смешанном обучении на основе данных учебной аналитики.
Методология. Основными методами исследования являются: теоретический анализ и обобщение научно-исследовательских работ, теоретические и практические методы педагогического исследования, методы статистической обработки эмпирических данных, методы машинного обучения и методы моделирования случайных событий.
Результаты. Проведенное исследование выявило, что прогнозирование должно осуществляться на основе критериев, определяющих успешность обучения, метрики для которых можно получить на основе данных учебной аналитики. Классификацию студентов на группы успешности по выбранным критериям необходимо проводить для каждого контрольно-измерительного инструмента непосредственно после его выполнения студентами, чтобы своевременно выявить обучающихся, нуждающихся в особом внимании со стороны преподавателя. Для прогнозирования успешности обучения других потоков студентов целесообразно накапливать информацию о динамике переходов обучающихся между группами успешности, используя дискретные цепи Маркова.
Заключение. Прогнозирование успешности студентов на основе данных учебной аналитики позволяет выделить обучающихся «группы риска», предсказывать распределение студентов по группам успешности и при необходимости корректировать учебно-методические материалы.

Ключевые слова: 

успешность обучения; смешанное обучение; система управления обучением; учебная аналитика; прогнозирование; классификация; дискретные цепи Маркова.

URL WoS/RSCI: https://www.webofscience.com/wos/rsci/full-record/RSCI:41586634

Процентиль актуальности SciVal: 99.464 Online Courses | Learner Behaviour | Blended Learning

https://www.scopus.com/record/display.uri?eid=2-s2.0-85079682661&origin=...

Prediction of student performance in blended learning utilizing learning analytics data

Библиографическая ссылка:
Озерова Г. П., Павленко Г. Ф. Прогнозирование успешности студентов при смешанном обучении с использованием данных учебной аналитики // Science for Education Today. – 2019. – № 6. – С. 73–87. DOI: http://dx.doi.org/10.15293/2658-6762.1906.05
Список литературы: 
  1. Boelens R., De Wever B., Voet M. Four key challenges to the design of blended learning: A systematic literature review // Educational Research Review. – 2017. – Vol. 22. – P. 1–18. DOI: https://doi.org/10.1016/j.edurev.2017.06.001
  2. Jones K. M. Learning analytics and higher education: a proposed model for establishing informed consent mechanisms to promote student privacy and autonomy // International Journal of Educational Technology in Higher Education. – 2019. – Vol. 16 – Article number 24.  DOI: https://doi.org/10.1186/s41239-019-0155-0
  3. Schumacher C., Ifenthaler D. Features students really expect from learning analytics // Computers in Human Behavior. – 2018. – Vol. 78. – P. 397–407. DOI: http://dx.doi.org/10.1016/j.chb.2017.06.030
  4. Nistor N., Hernández-Garcíacc Á. What types of data are used in learning analytics? An overview of six cases // Computers in Human Behavior. – 2018. – Vol. 89. – P. 335–338. DOI: https://doi.org/10.1016/j.chb.2018.07.038  
  5. Быстрова Т. Ю., Ларионова В. А., Синицын Е. В., Толмачев А. В. Учебная аналитика МООК как инструмент прогнозирования успешности обучающихся // Вопросы образования. – 2018. – № 4. – С. 139–166. DOI: https://doi.org/10.17323/1814-9545-2018-4-139-166  URL: https://elibrary.ru/item.asp?id=36566170
  6. Патаракин Е. Д. Совместная сетевая деятельность и поддерживающая ее учебная аналитика // Высшее образование в России. – 2015. – № 5. – C. 145–154. URL: https://elibrary.ru/item.asp?id=23726842
  7. Lim L. A., Gentili S., Pardo A., Kovanović V., Whitelock-Wainwright A., Gašević D., Dawson S. What changes, and for whom? A study of the impact of learning analytics-based process feedback in a large course // Learning and Instruction. – 2019. DOI: https://doi.org/10.1016/j.learninstruc.2019.04.003
  8. Бирина О. В. Понятие успешности обучения в современных педагогических и психологических теориях // Фундаментальные исследования. – 2014. – № 8-2. – С. 438–443. URL: https://elibrary.ru/item.asp?id=21736773
  9. Gardner J., Brooks C. Student success prediction in MOOCs // User Modeling and User Adapted Interaction. – 2018. – Vol. 28, Issue 2. – P. 127–203. DOI: http://dx.doi.org/10.1007/s11257-018-9203-z

10. Raga R. Raga J. Early prediction of student performance in blended learning courses using deep neural networks International // Symposium on Educational Technology. – 2019. – P. 39–43. DOI: https://doi.org/10.1109/ISET.2019.00018

11. Xu X., Wang J., Peng H., Wu R. Prediction of academic performance associated with internet usage behaviors using machine learning algorithms // Computers in Human Behavior. – 2019. – Vol. 98. – P. 166–173. DOI: https://doi.org/10.1016/j.chb.2019.04.015

12. Moreno-Marcos P. M., Alario-Hoyos C., Munoz-Merino P. J., Kloos C. D. Prediction in MOOCs: A Review and Future Research Directions // Transactions on Learning Technologies. – 2019. – Vol.  12, Issue 3. – P. 384–401. DOI: https://doi.org/10.1109/TLT.2018.2856808

13. Ellis R. A., Pardo A., Han F. Quality in blended learning environments–Significant differences in how students approach learning collaborations // Computers and Education. – 2016. – Vol. 102. – P.  90–102. DOI: https://doi.org/10.1016/j.compedu.2016.07.006

14. Conijn R., Van den Beemt A., Cuijpers P. Predicting student performance in a blended MOOC // Journal of Computer Assisted Learning. – 2018 – Vol. 34, Issue 5. – P. 615–628. DOI: https://doi.org/10.1111/jcal.12270

15. Kim D., Yoon M., Jo I. H., Branch R. M. Learning analytics to support self-regulated learning in asynchronous online courses: A case study at a women’s university in South Korea // Computers and Education. – 2018. – Vol. 127. – P. 233–255. DOI: https://doi.org/10.1016/j.compedu.2018.08.023

16. Conijn R., Snijders C., Kleingeld A., Matzat U. Predicting student performance from LMS data: A comparison of 17 blended courses using Moodle // Transactions on Learning Technologies. – 2017. – Vol. 10, № 1. – P. 17–29. DOI: https://doi.org/10.1109/TLT.2016.2616312

17. Fei M., Yeung D. Temporal Models for Predicting Student Dropout in Massive Open Online Courses // International Conference on Data Mining Workshop. – 2015. – P. 256–263. DOI: https://doi.org/10.1109/ICDMW.2015.174

18. Macina J., Srba I., Williams J. J, Bielikova M. Educational question routing in online student communities // ACM Conference on Recommender Systems. – 2017. – P. 47–55. DOI: https://doi.org/10.1145/3109859.3109886

19. Topîrceanua A., Grosseckb G. Decision tree learning used for the classification of student archetypes in online courses // Procedia Computer Science. – 2017. – Vol. 112. – P. 51–60. DOI: https://doi.org/10.1016/j.procs.2017.08.021

20. Xing W., Chen X., Stein J., Marcinkowski M. Temporal predication of dropouts in MOOCs: Reaching the low hanging fruit through stacking generalization // Computers in Human Behavior. – 2016. – Vol. 58. – P. 119–129. DOI: https://doi.org/10.1016/j.chb.2015.12.007

21. Laveti R. N., Kuppili S., Ch J., Pal S. N., Babu N. S. C. Implementation of learning analytics framework for MOOCs using state-of-the-art in-memory computing // National Conference on E-Learning and E-Learning Technologies. – 2017. – P. 1–6. DOI: https://doi.org/10.1109/ELELTECH.2017.8074997

22. Gamulin J., Gamulin O., Kermek D. Using fourier coefficients in time series analysis for student performance prediction in blended learning environments // Expert Systems. – 2016. – Vol. 33, № 2. – P. 189–200. DOI: https://doi.org/10.1111/exsy.12142

23. Nam S., Frishkoff G., Collins-Thompson K. Predicting Students Disengaged Behaviors in an Online Meaning-Generation Task // IEEE Transactions on Learning Technologies. – 2018. – Vol.  11, № 3. – P. 362–375. DOI: https://doi.org/10.1109/TLT.2017.2720738

24. Arabshahi F., Huang F., Anandkumar A., Butts C. T., Fitzhugh S. M. Are You Going to the Party: Depends, Who Else is Coming? [Learning Hidden Group Dynamics via Conditional Latent Tree Models] // International Conference on Data Mining. – 2015. – P. 697–702. DOI: https://doi.org/10.1109/ICDM.2015.146

25. Youssef M., Mohammed S., Hamada E. K., Wafaa B. F. A predictive approach based on efficient feature selection and learning algorithms’ competition: Case of learners’ dropout in MOOCs // Education and Information Technologies. – 2019. – Vol. 24, Issue 6. – P. 3591–3618. DOI: https://doi.org/10.1007/s10639-019-09934-y

26. Шестакова Л. Г., Рихтер Т. В. Показатели оценки и самооценки готовности студентов к самоорганизации // Science for Education Today. – 2019. – Т. 9, № 3. – С. 138–150. DOI: http://dx.doi.org/10.15293/2658-6762.1903.08 URL: https://elibrary.ru/item.asp?id=38538212

27. Klein C., Lester J., Rangwala H., Johri A. Learning Analytics Tools in Higher Education: Adoption at the Intersection of Institutional Commitment and Individual Action // Review of Higher Education. – 2019. – Vol. 42, № 2. – P. 565–593. DOI: https://doi.org/10.1353/rhe.2019.0007

Дата публикации 31.12.2019