Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: Информатизация образования и методика электронного обучения: цифровые технологии в образовании; Красноярск; Красноярск
Год издания: 2026
Ключевые слова: learning analytics, dropout prediction, explainable AI, digital footprint, учебная аналитика, прогнозирование отчисления, объяснимый искусственный интеллект, Shap, цифровой след, LMS Moodle
Аннотация: В статье рассматривается проблема интерпретируемости моделей машинного обучения в задаче прогнозирования академической неуспешности и отчисления обучающихся. Представлена двухуровневая система мониторинга студентов группы риска, охватывающая этапы от первичной пересдачи до комиссионной пересдачи. На основе данных цифрового профиля Показать полностьюи цифрового следа из LMS Moodle с применением метода SHAP выявлены ключевые нелинейные индикаторы риска. Результаты подчеркивают эффективность объяснимого искусственного интеллекта для стратификации обучающихся на группы риска и оптимизации ресурсов педагогического сопровождения. This study investigates the interpretability of ensemble machine learning models applied to the prediction of academic failure and student dropout. A two-tier monitoring system for at-risk students is proposed, encompassing the stages from initial retakes to commission examinations. Utilizing digital profile and LMS digital footprint data, the SHAP method was employed to extract key non-linear risk indicators. The findings demonstrate the utility of explainable artificial intelligence in stratifying students into risk cohorts, thereby facilitating the optimized allocation of pedagogical support resources.
Журнал: Информатизация образования и методика электронного обучения: цифровые технологии в образовании
Номера страниц: 138-141
Место издания: Красноярск