Registration Number
0826U000520, PhD dissertation
Status
Доктор філософії
Date
16-04-2026
popup.evolution
o
Title
Information technology of educational analytics based on methods of intelligent data analysis
Author
Yevhenii O. Klymenko,
popup.head Olena H. Hlazunova
popup.opponent Nadiia M. Lobanchykova
popup.opponent Andrii P. Bondarchuk
popup.review Valerii A. Lakhno
popup.review Volodymyr M. Kravchenko
popup.rada
National University of Life and Environmental Sciences of Ukraine
Description
У дисертації представлено результати досліджень, проведених здобувачем, які зосереджені на розробленні та впровадженні інформаційної технології освітньої аналітики, яка забезпечує підвищення обґрунтованості управлінських рішень шляхом застосування методів інтелектуального аналізу освітніх даних.
Дослідження зосереджене на розробці та впровадженні інформаційної технології дозволить суттєво підвищити точність прогнозування навчальної успішності, виявляти приховані закономірності в освітніх даних для прийняття обґрунтованих управлінських рішень на рівні ЗВО.
У сучасних умовах цифрової трансформації освіти та зростання обсягів освітніх даних (результати успішності, цифрова активність, відвідуваність, взаємодія у віртуальному середовищі тощо) особливої важливості набуває використання інтелектуальних інформаційних технологій для підвищення ефективності управління освітнім процесом. Освітня аналітика сьогодні виступає потужним інструментом прийняття рішень, що ґрунтуються на даних.
Актуальною є потреба в інформаційній технології, яка б поєднувала методи машинного навчання, прогнозування, інтерпретації моделей та візуалізації, і могла б ефективно виявляти ризики академічної неуспішності, підтримувати персоналізацію навчання та формувати візуальні аналітичні звіти.
Метою даного дисертаційного дослідження є розроблення та обґрунтування інформаційної технології освітньої аналітики, яка забезпечує ефективне виявлення закономірностей у даних про освітній процес на основі методів інтелектуального аналізу даних з метою підвищення якості управлінських рішень та прогнозування результатів навчання здобувачів освіти.
Проаналізовано сучасний стан розвитку Learning Analytics і Education Data Mining в Україні та за кордоном, уточнено їх понятійно-термінологічний апарат і визначено концептуальні відмінності між цими напрямами. Узагальнено сучасні задачі та методи освітньої аналітики, зокрема класифікацію, кластеризацію, регресійне прогнозування, аналіз поведінкових патернів і соціальних взаємодій. Проведено аналіз наукового ландшафту за публікаціями, індексованими у наукометричних базах Scopus та Dimensions із використанням платформи VOSviewer, що дозволило виявити ключові дослідницькі кластери та тенденції розвитку галузі. Обґрунтовано необхідність застосування методів інтелектуального аналізу даних в освіті та сформульовано принципи й функціональні вимоги до аналітичних систем закладів вищої освіти.
Систематизовано джерела освітніх даних і сформовано структуру інформаційної системи, що охоплює підсистеми збору, інтеграції, обробки, зберігання та аналізу даних. Запропоновано методи інтеграції та підготовки даних з ЄДЕБО, LMS Moodle та інформаційної системи «Деканат», що дозволило сформувати багатовимірний профіль здобувача освіти. Розроблено алгоритми очищення, нормалізації та формування аналітичних вибірок. На основі порівняльного аналізу обґрунтовано вибір моделей Data Mining (дерева рішень, Random Forest, LightGBM, логістична регресія) для задач прогнозування успішності, а також методів кластеризації та регресійного аналізу для дослідження освітніх процесів.
Запропоновано архітектуру системи освітньої аналітики, яка включає модулі збору даних, формування ознак, моделювання, оцінювання результатів та візуалізації. Формалізовано атрибути, що характеризують демографічні, освітні та поведінкові характеристики студентів, а також алгоритмічні процедури їх перетворення у структурований формат, придатний для інтелектуального аналізу. Реалізовано математичні моделі для оцінки та прогнозування успішності здобувачів освіти з використанням інтерпретованих моделей машинного навчання.
Реалізовано сценарійний підхід до прогнозування успішності здобувачів освіти («Стартовий», «Проміжний», «Прикінцевий»), що дозволило оцінити ефективність прогнозування на різних етапах навчання. Експериментальні результати підтвердили високу прогностичну здатність розроблених моделей, зокрема для завершального сценарію досягнуто значень Balanced Accuracy у межах 0,77–0,82, а також стабільність моделей Random Forest і LightGBM. Доведено статистичну надійність і достовірність отриманих результатів. Показано практичну цінність технології для раннього виявлення студентів групи ризику, моніторингу динаміки успішності та підтримки управлінських рішень. Окрему увагу приділено візуалізації даних, яка в межах запропонованої технології виступає ключовим етапом аналітичного процесу та реалізується за допомогою інтерактивних дашбордів Power BI.
Registration Date
2026-03-10
popup.nrat_date
2026-03-10 / 2026-07-01
