Science for Education Today, 2020, Т. 10, № 6, С. 143–161
© Петрусевич Д. А., 2020
УДК: 
004.89

Оценка влияния электронного обучения и социальных параметров на успеваемость студентов [In English]

Петрусевич Д. А. 1 (Москва, Россия)
1 Российский Технологический Университет (МИРЭА)
Полный текст (свободный доступ) — Скачан 1158 раз(а)
Аннотация: 

Проблема и цель. В статье исследуется проблема оценки успеваемости студентов в современной ситуации. Цель статьи – оценить влияние внедрения элементов электронного обучения и некоторых социальных параметров на успеваемость студентов.
Методология. Исследование основано на методах машинного обучения, при помощи которых становится возможным оценивать проблемы образовательной системы, поведения студентов и действий администрации образовательных учреждений высшего образования. В работе используются методы математического анализа данных и математической статистики. Автор использует алгоритмы и методы анализа данных, основанные на классификации: решающее дерево, логистическая регрессия и т.д. В целях повышения точности классификации применяются ансамбли классификаторов (градиентный бустинг и случайный лес).
Результаты. В центре внимания исследования автора анализ нескольких наборов данных (Students’ Performance in Portugal, E-learning Student Reactions и Students’ Academic Performance), посвящённых учёту успеваемости студентов нескольких высших и средних учебных заведений в разных странах.
В результате проведенного исследования были выявлены и обобщены статистические взаимосвязи, существующие между социальными параметрами студентов и их успеваемостью; а также выявлены степени влияния применения онлайн или смешанного формата обучения на показатели успеваемости студентов.
В рамках представленного исследования удалось показать, что методы математической статистики и анализа данных позволяют выявить взаимосвязи в данных, посвящённых успеваемости студентов, выявить неявные зависимости, получить новые актуальные результаты, которые могут быть важны для администрации вузов.
Заключение. В заключении автором обобщаются результаты проведенной оценки влияния внедрения элементов электронного обучения и некоторых социальных параметров на успеваемость студентов.

Ключевые слова: 

кластеризация студентов, смешанное обучение, оценка успеваемости, цифровизация образования, цифровые технологии в образовании, корреляция признаков, повышение успеваемости.

URL WoS/RSCI: https://www.webofscience.com/wos/rsci/full-record/RSCI:44478886

Процентиль актуальности SciVal: 98.481 Student Performance | School Dropout | Moodle

https://www.scopus.com/record/display.uri?eid=2-s2.0-85099458333&origin=...

The impact of e-learning and social parameters on students' academic performance

Библиографическая ссылка:
Петрусевич Д. А. Оценка влияния электронного обучения и социальных параметров на успеваемость студентов [In English] // Science for Education Today. – 2020. – № 6. – С. 143–161. DOI: http://dx.doi.org/10.15293/2658-6762.2006.08
Список литературы: 
  1. Amrieh E. A., Hamtini T., Aljarah I. Mining Educational Data to Predict Student’s academic Performance using Ensemble Methods // International Journal of Database Theory and Application. – 2016. – Vol. 9 (8). – P. 119–136.  DOI: https://doi.org/10.14257/ijdta.2016.9.8.13
  2. Андрианова Е. Г., Головин С. А., Зыков С. В., Лесько С. А., Чукалина Е. Р. Обзор современных моделей и методов анализа временных рядов динамики процессов в социальных, экономических и социотехнических системах // Российский технологический журнал. – 2020. – Т. 8, № 4. – С. 7–45. DOI: https://doi.org/10.32362/2500-316X-2020-8-4-7-45  URL: https://elibrary.ru/item.asp?id=43756167  
  3. Li Y., Allen J., Casillas A. Relating psychological and social factors to academic performance: A longitudinal investigation of high-poverty middle school students // Journal of Adolescence. – 2017. – Vol. 56. – P. 179–189. DOI: https://doi.org/10.1016/j.adolescence.2017.02.007
  4. Gimenez G., Martín-Oro Á., Sanaú J. The effect of districts’ social development on student performance // Studies in Educational Evaluation. – 2018. – Vol. 58. – P. 80–96. DOI: https://doi.org/10.1016/j.stueduc.2018.05.009
  5. Law K. M. Y., Geng S., Li T. Student enrollment, motivation and learning performance in a blended learning environment: The mediating effects of social, teaching, and cognitive presence // Computers & Education. – 2019. – Vol. 136. – P. 1–12.  DOI: https://doi.org/10.1016/j.compedu.2019.02.021
  6. Salameh W., Sathakathulla A. The Impact of Social-Economic Factors on Students’ English Language Performance in EFL Classrooms in Dubai // English Language and Literature Studies. – 2018. – Vol. 8 (4). – P. 110. DOI: https://doi.org/10.5539/ells.v8n4p110
  7. Mushtaq B., Jyotsna J. Effect of Socio Economic Status on Academic Performance of Secondary School Students // The International Journal of Indian Psychology. – 2016. – Vol. 3 (4). – P. 56. DOI: https://doi.org/10.13140/RG.2.2.19730.71369
  8. Ishizaka A., Lokman B., Tasiou M. A Stochastic Multi-criteria Divisive Hierarchical Clustering Algorithm // Omega. – 2020. – P. 102370. DOI: https://doi.org/10.1016/j.omega.2020.102370
  9. Анфёров М. А. Генетический алгоритм кластеризации // Российский технологический журнал. – 2019. – Vol. 7 (6). – P. 134–150. DOI: https://doi.org/10.32362/2500-316X-2019-7-6-134-150  URL: https://www.elibrary.ru/item.asp?id=42347089
  10. Asrial M., Habibi A., Mukminin A., Hadisaputra P. Science teachers’ integration of digital resources in education: A survey in rural areas of one Indonesian province // Heliyon. – 2020. – Vol. 6 (8). – P. e04631. DOI: https://doi.org/10.1016/j.heliyon.2020.e04631
  11. Sarkisov S. S., Lomonosova N. V., Zolkina A. V., Sarkisov T. S. Integration of digital technologies in mining and metallurgy industries // Tsvetnye Metally. – 2020. – Vol. 2020. – P. 7–14. DOI: http://dx.doi.org/10.17580/tsm.2020.03.01
  12. Lomonosova N. V., Zolkina A. V. Digital learning resources: Enhancing efficiency within blended higher education // Novosibirsk State Pedagogical University Bulletin. – 2018. – Vol. 8 (6). – P.  121–137. DOI: http://dx.doi.org/10.15293/2226-3365.1806.08  URL: https://www.elibrary.ru/item.asp?id=36655296
  13. Деменкова Т. А., Томашевская В. С., Ширинкин И. С. Мобильные приложения для задач дистанционного обучения // Российский технологический журнал. – 2018. – Vol. 6 (1). – P.  5–19. URL: https://www.elibrary.ru/item.asp?id=32466033  
  14. Alkhowailed M. S., Rasheed Z., Shariq A., Elzainy A., Sadik A.E., Alkhamiss A., Alsolai A. M., Alduraibi S. K., Alduraibi A., Alamro A., Alhomaidan H. T., Al Abdulmonem W. Digitalization plan in medical education during COVID-19 lockdown // Informatics in Medicine Unlocked. – 2020. – Vol. 20. – P. 100432.  DOI: https://doi.org/10.1016/j.imu.2020.100432
  15. Andrade H. L. A Critical Review of Research on Student Self-Assessment // Frontiers in Education. – 2019. – Vol. 4. – P. 87. DOI: https://doi.org/10.3389/feduc.2019.00087
  16. Aricò F. R., Lancaster S. J. Facilitating active learning and enhancing student self-assessment skills // International Review of Economics Education. – 2018. – Vol. 29. – P. 6–13. DOI: https://doi.org/10.1016/j.iree.2018.06.002
  17. Piper K., Morphet J., Bonnamy J. Improving student-centered feedback through self-assessment // Nurse Education Today. – 2019. – Vol. 83. – P. 104193. DOI: https://doi.org/10.1016/j.nedt.2019.08.011
  18. Panadero E., Brown G. L., Strijbos J.-W. The future of student self-assessment: a review of known unknowns and potential directions // Educational Psychology Review. – 2016. – Vol. 28 (4). – P.  803–830. DOI: https://doi.org/10.1007/s10648-015-9350-2
  19. Sharma R., Amit J., Gupta N. Garg S., Batta M., Dhir S. Impact of self-assessment by students on their learning // International Journal of Applied and Basic Medical Research. – 2016. – Vol. 6 (3). – P. 226. DOI: https://doi.org/10.4103/2229-516X.186961
  20. Erkens M., Bodemer D. Improving collaborative learning: Guiding knowledge exchange through the provision of information about learning partners and learning contents // Computers & Education. – 2019. – Vol. 128. – P. 452–472. DOI: https://doi.org/10.1016/j.compedu.2018.10.009
  21. Liao C.-W., Chen C.-H. & Shih S.-J. The interactivity of video and collaboration for learning achievement, intrinsic motivation, cognitive load, and behavior patterns in a digital game-based learning environment // Computers & Education. – 2019. – Vol. 133. – P. 43–55. DOI: https://doi.org/10.1016/j.compedu.2019.01.013  
  22. Hernández-Sellés N., Muñoz-Carril P.-C., González-Sanmamed M. Computer-supported collaborative learning: an analysis of the relationship between interaction, emotional support and online collaborative tools // Computers & Education. – 2019. – Vol. 138. – P. 1–12. DOI: https://doi.org/10.1016/j.compedu.2019.04.012
  23. Díaz-Ramírez J. Gamification in engineering education – An empirical assessment on learning and game performance // Heliyon. – 2020. – Vol. 6 (9). – P. e04972. DOI: https://doi.org/10.1016/j.heliyon.2020.e04972
  24. Золкина А. В., Ломоносова Н. В., Петрусевич Д. А. Оценка востребованности применения геймификации как инструмента повышения эффективности образовательного процесса // Science for Education Today. – 2020. – Т. 10, № 3. – С. 127–143. DOI: http://dx.doi.org/10.15293/2658-6762.2003.07
  25. Landers R. N., Landers A. K. An empirical test of the theory of gamified learning. The effect of leaderboards on time-on-task and academic performance // Simulation & Gaming. – 2015. – Vol.  45 (6). – P. 769–785. DOI: http://dx.doi.org/10.1177/1046878114563662
  26. Rastrollo-Guerrero J. L., Gómez-Pulido J. A., Durán-Domínguez A. Analyzing and Predicting Students’ Performance by Means of Machine Learning: A Review // Applied Sciences. – 2020. – Vol. 10 (3). – P. 1042. DOI: https://doi.org/10.3390/app10031042
  27. Asif R., Merceron A., Ali S. A., Haider N. G. Analyzing undergraduate students' performance using educational data mining // Computers & Education. – 2017. – Vol. 113. – P. 177–194. DOI: https://doi.org/10.1016/j.compedu.2017.05.007
  28. Fernandes E., Holanda M., Victorino M., Borges V., Carvalho R., Erven G. V. Educational data mining: Predictive analysis of academic performance of public school students in the capital of Brazil // Journal of Business Research. – 2019. – Vol. 94. – P. 335–343. DOI: https://doi.org/10.1016/j.jbusres.2018.02.012
  29. Yang F., Li F. W. B. Study on student performance estimation, student progress analysis, and student potential prediction based on data mining // Computers & Education. – 2018. – Vol. 123. – P. 97–108. DOI: https://doi.org/10.1016/j.compedu.2018.04.006
  30. Ripoll V., Godino-Ojer M., Calzada J. Teaching Chemical Engineering to Biotechnology students in the time of COVID-19: assessment of the adaptation to digitalization // Education for Chemical Engineers. – 2020. – Vol. 34. – P. 94–105. DOI: https://doi.org/10.1016/j.ece.2020.11.005
  31. Mishra L., Gupta T., Shree A. Online Teaching-Learning in Higher Education during Lockdown Period of COVID-19 Pandemic // International Journal of Educational Research Open. – 2020. – P. 1000012. DOI: https://doi.org/10.1016/j.ijedro.2020.100012
Дата публикации 31.12.2020