СИСТЕМА РАННЕГО ПРЕДУПРЕЖДЕНИЯ (EWS) НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ПРОГНОЗИРОВАНИЕ РИСКА ОТЧИСЛЕНИЯ (DROPOUT) И НИЗКОЙ УСПЕВАЕМОСТИ ПО ДАННЫМ LEARNING ANALYTICS

Аннотация

В статье рассматривается задача раннего прогнозирования учебных рисков на основе подходов learning analytics. В условиях дистанционного обучения образовательная траектория обучающегося описывается цифровыми следами, фиксируемыми в LMS; систематический анализ этих данных позволяет заранее выявлять риск досрочного прекращения обучения (dropout) либо низкой успеваемости. Цель исследования — предложить методологическую модель системы раннего предупреждения (Early Warning System, EWS) и выполнить сравнительную оценку прогностической модели, классифицирующей обучающихся группы риска по показателям активности первых недель обучения. В качестве материалов использован анонимизированный синтетический набор данных (N=260), сохраняющий структуру LMS-логов и исключающий идентификацию конкретных лиц; посредством feature engineering  сформированы метрики посещаемости, учебного времени, оценивания и социальной активности. В качестве моделей сравнивались логистическая регрессия, Random Forest и Gradient Boosting; в качестве метрик качества применялись ROC-AUC, accuracy, precision, recall и F1. По результатам логистическая регрессия продемонстрировала наивысшую различающую способность (AUC=0.897; F1=0.774), что подтверждает возможность надежной оценки риска на раннем этапе. В обсуждении обоснованы дизайн интервенций, этические и педагогические ограничения, а также подходы к интеграции объяснимости модели (XAI) в процесс принятия педагогических решений.