Academic Journal
Modeling students' learning results using machine learning algorithms: R. NIKIFOROV, L. TKACHENKO
| Τίτλος: | Modeling students' learning results using machine learning algorithms: R. NIKIFOROV, L. TKACHENKO |
|---|---|
| Πηγή: | Naukovi zapysky; No. 162; 21-35 Наукові записки; № 162; 21-35 |
| Στοιχεία εκδότη: | PUBLISHING HOUSE HELVETICA, 2025. |
| Έτος έκδοσης: | 2025 |
| Θεματικοί όροι: | predictive analytics, productivity, machine learning, educational process, modeling, машинне навчання, навчальний процес, прогнозна аналітика, моделювання, продуктивність |
| Περιγραφή: | Predictive analytics involves the use of statistical methods and machine learning algorithms to predict future outcomes and performance indicators. Its tools include, in particular, data mining and forecasting models, which provide an opportunity to assess the probability of future events and contribute to making informed decisions. The article considers the problem of predicting students' academic performance using machine learning algorithms. Analysis and testing of relevant methods have become an important stage in improving educational analytics and improving the quality of the educational process. The main stages that data go through during the creation, training and implementation of a forecasting model are clarified, in particular, data collection, data preprocessing, selection of a machine learning model, model training, parameter optimization, application of a pre-trained model to new data. As part of the study, several machine learning models were considered and tested in order to determine their effectiveness in predicting learning outcomes. The main performance metrics of the models were assessed, which made it possible to conduct a qualitative analysis of their accuracy. The results of the error matrix indicate satisfactory performance of the models after optimization of their hyperparameters. For the most part, the models demonstrated a high level of classification accuracy. In addition, the practical use of the constructed models for analyzing new data was demonstrated. In general, an effective solution to the problem of predictive modeling using the RandomForest and XGBoost algorithms was implemented, which can be adapted for further improvement and real implementation in practice. From an educational point of view, the use of such models allows for early identification of students with potentially low performance. Прогнозна аналітика передбачає застосування методів статистики та алгоритмів машинного навчання з метою передбачення майбутніх результатів і показників ефективності. До її інструментарію належать, зокрема, інтелектуальний аналіз даних і моделі прогнозування, які надають можливість оцінити ймовірність майбутніх подій і сприяють прийняттю обґрунтованих рішень. У статті розглянуто проблему прогнозування академічної успішності студентів із застосуванням алгоритмів машинного навчання. Аналіз та апробація відповідних методів стали важливим етапом у напрямі вдосконалення освітньої аналітики та підвищення якості навчального процесу. З'ясовано основні етапи, які проходять дані під час створення, навчання та впровадження моделі прогнозування, зокрема збір даних, попередня обробка даних, вибір моделі машинного навчання, навчання моделі, оптимізація параметрів, застосування попередньо навченої моделі до нових даних. В межах дослідження було розглянуто і протестовано декілька моделей машинного навчання з метою визначення їх ефективності у задачах передбачення результатів навчання. Було здійснено оцінку основних метрик продуктивності моделей, що дало змогу провести якісний аналіз їхньої точності. Результати матриці помилок свідчать про задовільну роботу моделей після здійснення оптимізації їхніх гіперпараметрів. Здебільшого моделі продемонстрували високий рівень точності класифікації. Окрім цього, було продемонстровано практичне використання побудованих моделей для аналізу нових даних. Загалом реалізовано ефективне рішення задачі прогнозного моделювання з використанням алгоритмів RandomForest та XGBoost, яке може бути адаптоване для подальшого вдосконалення та реального впровадження у практику. З освітнього погляду, застосування таких моделей дозволяє завчасно ідентифікувати студентів із потенційно низькою успішністю. |
| Τύπος εγγράφου: | Article |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | Ukrainian |
| ISSN: | 2310-371X |
| Σύνδεσμος πρόσβασης: | http://nz.npu.edu.ua/article/view/336666 |
| Αριθμός Καταχώρησης: | edsair.scientific.p..54d3fdcb09f14b92aa55d9d748f6000a |
| Βάση Δεδομένων: | OpenAIRE |
| FullText | Text: Availability: 0 CustomLinks: – Url: https://explore.openaire.eu/search/publication?articleId=scientific_p%3A%3A54d3fdcb09f14b92aa55d9d748f6000a Name: EDS - OpenAIRE (ns324271) Category: fullText Text: View record at OpenAIRE |
|---|---|
| Header | DbId: edsair DbLabel: OpenAIRE An: edsair.scientific.p..54d3fdcb09f14b92aa55d9d748f6000a RelevancyScore: 983 AccessLevel: 3 PubType: Academic Journal PubTypeId: academicJournal PreciseRelevancyScore: 982.50048828125 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: Modeling students' learning results using machine learning algorithms: R. NIKIFOROV, L. TKACHENKO – Name: TitleSource Label: Source Group: Src Data: Naukovi zapysky; No. 162; 21-35<br />Наукові записки; № 162; 21-35 – Name: Publisher Label: Publisher Information Group: PubInfo Data: PUBLISHING HOUSE HELVETICA, 2025. – Name: DatePubCY Label: Publication Year Group: Date Data: 2025 – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22predictive+analytics%22">predictive analytics</searchLink><br /><searchLink fieldCode="DE" term="%22productivity%22">productivity</searchLink><br /><searchLink fieldCode="DE" term="%22machine+learning%22">machine learning</searchLink><br /><searchLink fieldCode="DE" term="%22educational+process%22">educational process</searchLink><br /><searchLink fieldCode="DE" term="%22modeling%22">modeling</searchLink><br /><searchLink fieldCode="DE" term="%22машинне+навчання%22">машинне навчання</searchLink><br /><searchLink fieldCode="DE" term="%22навчальний+процес%22">навчальний процес</searchLink><br /><searchLink fieldCode="DE" term="%22прогнозна+аналітика%22">прогнозна аналітика</searchLink><br /><searchLink fieldCode="DE" term="%22моделювання%2C+продуктивність%22">моделювання, продуктивність</searchLink> – Name: Abstract Label: Description Group: Ab Data: Predictive analytics involves the use of statistical methods and machine learning algorithms to predict future outcomes and performance indicators. Its tools include, in particular, data mining and forecasting models, which provide an opportunity to assess the probability of future events and contribute to making informed decisions. The article considers the problem of predicting students' academic performance using machine learning algorithms. Analysis and testing of relevant methods have become an important stage in improving educational analytics and improving the quality of the educational process. The main stages that data go through during the creation, training and implementation of a forecasting model are clarified, in particular, data collection, data preprocessing, selection of a machine learning model, model training, parameter optimization, application of a pre-trained model to new data. As part of the study, several machine learning models were considered and tested in order to determine their effectiveness in predicting learning outcomes. The main performance metrics of the models were assessed, which made it possible to conduct a qualitative analysis of their accuracy. The results of the error matrix indicate satisfactory performance of the models after optimization of their hyperparameters. For the most part, the models demonstrated a high level of classification accuracy. In addition, the practical use of the constructed models for analyzing new data was demonstrated. In general, an effective solution to the problem of predictive modeling using the RandomForest and XGBoost algorithms was implemented, which can be adapted for further improvement and real implementation in practice. From an educational point of view, the use of such models allows for early identification of students with potentially low performance.<br />Прогнозна аналітика передбачає застосування методів статистики та алгоритмів машинного навчання з метою передбачення майбутніх результатів і показників ефективності. До її інструментарію належать, зокрема, інтелектуальний аналіз даних і моделі прогнозування, які надають можливість оцінити ймовірність майбутніх подій і сприяють прийняттю обґрунтованих рішень. У статті розглянуто проблему прогнозування академічної успішності студентів із застосуванням алгоритмів машинного навчання. Аналіз та апробація відповідних методів стали важливим етапом у напрямі вдосконалення освітньої аналітики та підвищення якості навчального процесу. З'ясовано основні етапи, які проходять дані під час створення, навчання та впровадження моделі прогнозування, зокрема збір даних, попередня обробка даних, вибір моделі машинного навчання, навчання моделі, оптимізація параметрів, застосування попередньо навченої моделі до нових даних. В межах дослідження було розглянуто і протестовано декілька моделей машинного навчання з метою визначення їх ефективності у задачах передбачення результатів навчання. Було здійснено оцінку основних метрик продуктивності моделей, що дало змогу провести якісний аналіз їхньої точності. Результати матриці помилок свідчать про задовільну роботу моделей після здійснення оптимізації їхніх гіперпараметрів. Здебільшого моделі продемонстрували високий рівень точності класифікації. Окрім цього, було продемонстровано практичне використання побудованих моделей для аналізу нових даних. Загалом реалізовано ефективне рішення задачі прогнозного моделювання з використанням алгоритмів RandomForest та XGBoost, яке може бути адаптоване для подальшого вдосконалення та реального впровадження у практику. З освітнього погляду, застосування таких моделей дозволяє завчасно ідентифікувати студентів із потенційно низькою успішністю. – Name: TypeDocument Label: Document Type Group: TypDoc Data: Article – Name: Format Label: File Description Group: SrcInfo Data: application/pdf – Name: Language Label: Language Group: Lang Data: Ukrainian – Name: ISSN Label: ISSN Group: ISSN Data: 2310-371X – Name: URL Label: Access URL Group: URL Data: <link linkTarget="URL" linkTerm="http://nz.npu.edu.ua/article/view/336666" linkWindow="_blank">http://nz.npu.edu.ua/article/view/336666</link> – Name: AN Label: Accession Number Group: ID Data: edsair.scientific.p..54d3fdcb09f14b92aa55d9d748f6000a |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsair&AN=edsair.scientific.p..54d3fdcb09f14b92aa55d9d748f6000a |
| RecordInfo | BibRecord: BibEntity: Languages: – Text: Ukrainian Subjects: – SubjectFull: predictive analytics Type: general – SubjectFull: productivity Type: general – SubjectFull: machine learning Type: general – SubjectFull: educational process Type: general – SubjectFull: modeling Type: general – SubjectFull: машинне навчання Type: general – SubjectFull: навчальний процес Type: general – SubjectFull: прогнозна аналітика Type: general – SubjectFull: моделювання, продуктивність Type: general Titles: – TitleFull: Modeling students' learning results using machine learning algorithms: R. NIKIFOROV, L. TKACHENKO Type: main BibRelationships: IsPartOfRelationships: – BibEntity: Dates: – D: 30 M: 05 Type: published Y: 2025 Identifiers: – Type: issn-print Value: 2310371X – Type: issn-locals Value: edsair – Type: issn-locals Value: edsairFT Titles: – TitleFull: Naukovi zapysky Type: main |
| ResultId | 1 |