БІЛІМ АЛУШЫЛАРДЫҢ ОҚУ ҮЛГЕРІМІНЕ ӘСЕР ЕТЕТІН ФАКТОРЛАРДЫ МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІМЕН ТАЛДАУ ЖӘНЕ БОЛЖАУ
DOI:
https://doi.org/10.47526/3135-6877.381Ключевые слова:
машиналық оқыту, оқу үлгерімі, білім алушы, академиялық болжау, білім беру деректері, регрессиялық модель, факторлық талдау.Аннотация
АНАЛИЗ И ПРОГНОЗИРОВАНИЕ ФАКТОРОВ, ВЛИЯЮЩИХ НА УСПЕВАЕМОСТЬ ОБУЧАЮЩИХСЯ, МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ
Аннотация. Цель исследования заключается в выявлении основных академических и поведенческих факторов, связанных с итоговой успеваемостью обучающихся, и сравнительной оценке точности методов машинного обучения при прогнозировании итоговой экзаменационной оценки. В эксперименте использован открытый набор данных, содержащий 2000 записей. В качестве входных признаков использованы посещаемость, результаты двух промежуточных тестов, оценка за задания и ежедневная продолжительность самостоятельного обучения; целевой переменной выступила итоговая экзаменационная оценка по 100-балльной шкале. Пропущенные значения отсутствовали, идентификатор студента исключался из моделирования. Сравнивались Linear Regression, Decision Tree, Random Forest и Gradient Boosting при разделении данных 80/20. Качество оценивалось по MAE, RMSE и R², устойчивость результатов дополнительно проверялась пятикратной кросс-валидацией. Linear Regression показала на тестовой выборке R²=0,830, MAE=3,675 и RMSE=4,618, превзойдя более сложные ансамблевые модели. Среднее значение R² при кросс-валидации составило 0,836±0,008. Наиболее сильная корреляция с итоговой оценкой выявлена для посещаемости (r=0,726), а ее важность в Random Forestсоставила 41,49%. Результаты подтверждают целесообразность применения интерпретируемых моделей для анализа образовательных данных и поддержки раннего академического мониторинга.
Ключевые слова: машинное обучение, академическая успеваемость, обучающийся, прогнозирование, образовательные данные, регрессия, анализ факторов.
Библиографические ссылки
Abougalala, R. A., Alharbi, N., Amasha, M. A., Areed, M. F., & Alkhalaf, S. (2025). Predicting student performance academic using Automated Machine Learning (AutoML): in medical academic institutions. Journal of New Approaches in Educational Research, 14, 19. https://doi.org/10.1007/s44322-025-00038-9
Baashar, Y., Alkawsi, G., Mustafa, A., Alkahtani, A. A., Alsariera, Y. A., Ali, A. Q., Hashim, W., & Tiong, S. K. (2022). Toward predicting student’s academic performance using artificial neural networks (ANNs). Applied Sciences, 12(3), 1289. https://doi.org/10.3390/app12031289
Borna, M.-R., Saadat, H., Hojjati, A. T., & Akbari, E. (2024). Analyzing click data with AI: Implications for student performance prediction and learning assessment. Frontiers in Education, 9, 1421479. https://doi.org/10.3389/feduc.2024.1421479
Chen, S., & Ding, Y. (2023). A machine learning approach to predicting academic performance in Pennsylvania’s schools. Social Sciences, 12(3), 118. https://doi.org/10.3390/socsci12030118
Guanin-Fajardo, J. H., Guaña-Moya, J., & Casillas, J. (2024). Predicting academic success of college students using machine learning techniques. Data, 9(4), 60. https://doi.org/10.3390/data9040060
Hegazi, M. O., Almaslukh, B., & Siddig, K. (2023). A fuzzy model for reasoning and predicting student’s academic performance. Applied Sciences, 13(8), 5140. https://doi.org/10.3390/app13085140
Holicza, B., & Kiss, A. (2023). Predicting and comparing students’ online and offline academic performance using machine learning algorithms. Behavioral Sciences, 13(4), 289. https://doi.org/10.3390/bs13040289
Huynh-Cam, T.-T., Chen, L.-S., & Huynh, K.-V. (2022). Learning performance of international students and students with disabilities: Early prediction and feature selection through educational data mining. Big Data and Cognitive Computing, 6(3), 94. https://doi.org/10.3390/bdcc6030094
Ji, M., Le, J., Chen, B., & Li, Z. (2024). A predictive model for classifying college students’ academic performance based on visual-spatial skills. Frontiers in Psychology, 15, 1434015. https://doi.org/10.3389/fpsyg.2024.1434015
Jin, X. (2023). Predicting academic success: Machine learning analysis of student, parental, and school efforts. Asia Pacific Education Review. https://doi.org/10.1007/s12564-023-09915-4
Liu, C., Wang, H., & Yuan, Z. (2022). A method for predicting the academic performances of college students based on education system data. Mathematics, 10(20), 3737. https://doi.org/10.3390/math10203737
Liu, Y., Fan, S., Xu, S., Sajjanhar, A., Yeom, S., & Wei, Y. (2023). Predicting student performance using clickstream data and machine learning. Education Sciences, 13(1), 17. https://doi.org/10.3390/educsci13010017
Nnamoko, N., Barrowclough, J., Onikoyi, B., & Liptrott, M. (2025). Predicting student academic outcome using online behavioural statistics and neighbourhood influences: A machine learning approach. SN Computer Science, 6, 661. https://doi.org/10.1007/s42979-025-04189-6
Olabanjo, O. A., Wusu, A. S., & Manuel, M. (2022). A machine learning prediction of academic performance of secondary school students using radial basis function neural network. Trends in Neuroscience and Education, 29, 100190. https://doi.org/10.1016/j.tine.2022.100190
Pallathadka, H., Sonia, B., Sanchez, D. T., De Vera, J. V., Godinez, J. A. T., & Pepito, M. T. (2022). Investigating the impact of artificial intelligence in education sector by predicting student performance. Materials Today: Proceedings, 51, 2264-2267. https://doi.org/10.1016/j.matpr.2021.11.395
Poudyal, S., Mohammadi-Aragh, M. J., & Ball, J. E. (2022). Prediction of student academic performance using a hybrid 2D CNN model. Electronics, 11(7), 1005. https://doi.org/10.3390/electronics11071005
Romero, C., & Ventura, S. (2024). Educational data mining and learning analytics: An updated survey. arXiv. https://doi.org/10.48550/arXiv.2402.07956
Tang, B., Li, S., & Zhao, C. (2024). Predicting the performance of students using deep ensemble learning. Journal of Intelligence, 12(12), 124. https://doi.org/10.3390/jintelligence12120124
Wen, X., & Juan, H. (2023). Early prediction of students’ performance using a deep neural network based on online learning activity sequence. Applied Sciences, 13(15), 8933. https://doi.org/10.3390/app13158933
Xue, H., & Niu, Y. (2023). Multi-output based hybrid integrated models for student performance prediction. Applied Sciences, 13(9), 5384. https://doi.org/10.3390/app13095384
Yu, F., & Liu, X. (2022). Research on student performance prediction based on stacking fusion model. Electronics, 11(19), 3166. https://doi.org/10.3390/electronics11193166
Zhao, L., Ren, J., Zhang, L., & Zhao, H. (2023). Quantitative analysis and prediction of academic performance of students using machine learning. Sustainability, 15(16), 12531. https://doi.org/10.3390/su151612531
OpenAI. (2026, August 12). Assistance with manuscript structuring, language editing, and interpretation of machine-learning experiment results [Large language model]. ChatGPT. https://chatgpt.com/
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Yassawi Journal of Engineering Science
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
