Registration Number
0826U003625, PhD dissertation
Status
Доктор філософії
Date
27-08-2026
popup.evolution
o
Title
Models and methods for predicting student success based on machine learning
Author
Vladyslav Pylypenko,
popup.head Volodymyr V. Statsenko
popup.opponent Valerii Zavgorodnii
popup.opponent Vita Y. Kashtan
popup.review Anton M. Kyrychenko
popup.review Tetiana I. Demkivska
popup.rada
Kyiv National University of Technologies and Design
Description
Дисертаційну роботу присвячено підвищенню точності прогнозування академічної успішності студентів із застосуванням методів машинного навчання на основі аналізу даних взаємодії з відеонавчальним контентом у системі управління навчанням Moodle. Об’єктом дослідження є процес прогнозування академічної успішності студентів в електронних системах управління навчанням на основі даних про навчальну діяльність здобувачів освіти та їхню взаємодію з навчальними матеріалами. Предметом дослідження є моделі та методи прогнозування академічної успішності здобувачів освіти з використанням машинного навчання. Метою дослідження є розв’язання науково-практичної задачі прогнозування академічної успішності студентів шляхом дослідження сучасних моделей машинного навчання та розробки нової моделі, що підвищує точність прогнозування на основі розширеної інформації про дії здобувачів освіти в електронних системах управління навчанням і їхню взаємодію з навчальними матеріалами. У роботі проаналізовано сучасні підходи до освітньої аналітики та прогнозування навчальних результатів; досліджено методи машинного навчання для задач класифікації, зокрема логістичну регресію, наївний баєсівський класифікатор, метод опорних векторів, випадковий ліс і нейронні мережі. Встановлено, що більшість існуючих моделей переважно використовують традиційні академічні показники, тоді як поведінкові дані взаємодії з відеоконтентом залишаються недостатньо врахованими. Запропоновано розширення ознакового простору показниками перегляду відеоматеріалів (тривалість перегляду, паузи, перемотування, повторні перегляди), отриманими з LMS Moodle та програмного модуля VideoPlayer. Експериментально доведено, що використання поведінкових ознак підвищує загальну точність прогнозування. Розроблено дворівневу стекінгову ансамблеву модель на основі логістичної регресії, mlp класифікатора та випадкового лісу з метамоделлю градієнтного бустингу, яка забезпечила точність класифікації (accuracy) 90,2%, чутливість (recall) 97,5%, збалансовану точність 85,0% та ROC-AUC 92,6%. Реалізовано програмний модуль (плагін) для Moodle, що забезпечує автоматизований збір поведінкових даних при роботі з відеоматеріалами. Реалізовано застосунок для формування аналітичної звітності та візуалізацію результатів прогнозування для підтримки прийняття рішень у навчальному процесі. Практичне значення полягає у можливості виявлення студентів групи ризику. А також використані при створенні та модернізації інформаційних систем освітньої аналітики, систем підтримки прийняття рішень, а також інтелектуальних сервісів моніторингу освітнього процесу.
Registration Date
2026-07-15
popup.nrat_date
2026-07-15 / 2026-09-24
