ЖАСАНДЫ ИНТЕЛЛЕКТКЕ НЕГІЗДЕЛГЕН ЕРТЕ ЕСКЕРТУ ЖҮЙЕСІ (EWS): LEARNING ANALYTICS ДЕРЕКТЕРІ БОЙЫНША DROPOUT ЖӘНЕ ТӨМЕН ҮЛГЕРІМ ТӘУЕКЕЛІН БОЛЖАУ
DOI:
https://doi.org/10.52269/SRDG2612240Кілт сөздер:
learning analytics, dropout prediction, ерте ескерту жүйесі, тәуекел скорингі, LMS логтары, интервенция, ROC-AUC, түсіндірмелі AI (XAI)Аңдатпа
Мақалада learning analytics тәсілдеріне негізделген оқу тәуекелін ерте болжау міндеті қарастырылады. Қашықтықтан оқыту жағдайында білім алушының оқу траекториясы LMS-та қалатын цифрлық іздер арқылы сипатталады; Осы деректерді жүйелі талдау үлгермеушілік (dropout) немесе төмен үлгерім қаупін алдын ала анықтауға мүмкіндік береді. Зерттеудің мақсаты – ерте ескерту жүйесінің (Early Warning System, EWS) құрылымдық-әдіснамалық моделін ұсыну және алғашқы апталардағы белсенділік көрсеткіштері арқылы тәуекелі жоғары білім алушыларды жіктейтін болжау моделін салыстырмалы түрде бағалау. Материалдар ретінде нақты тұлғаларды сәйкестендірмейтін, LMS логтарының құрылымын сақтайтын анонимдендірілген синтетикалық деректер жиыны (N=260) қолданылды. Фича-инжиниринг арқылы қатысу, уақыт, бағалау және әлеуметтік белсенділік метрикалары қалыптастырылды. Модельдер ретінде логистикалық регрессия, Random Forest және Gradient Boosting салыстырылды; Бағалау метрикалары ретінде ROC-AUC, accuracy, precision, recall және F1 пайдаланылды. Нәтижелер бойынша логистикалық регрессия ең жоғары ажырату қабілетін көрсетті (AUC=0.897; F1=0.774), бұл ерте кезеңде тәуекелді сенімді бағалауға мүмкіндік беретінін дәлелдейді. Талқылауда интервенция дизайны, этикалық және педагогикалық шектеулер, сондай-ақ модельдің түсіндірмелігін (XAI) оқытушылық шешім қабылдауға енгізу тәсілдері негізделеді.
