seatsСоциально-экономические и технические системы: исследование, проектирование, оптимизацияSocial-economic and technical systems: research, design and optimization1991-6302Казанский (Приволжский) федеральный университетseats-73Research ArticleИССЛЕДОВАНИЯ ЧЕЛОВЕКА И СОЦИАЛЬНЫХ СИСТЕМИССЛЕДОВАНИЯ ЧЕЛОВЕКА И СОЦИАЛЬНЫХ СИСТЕМОценка эффективности различных методов машинного обучения в прогнозировании успеваемости студентовEvaluation the effectiveness of various machine learning methods in predicting student academic performanceЧерныхВ. В.ChernykhV. V.

кандидат технических наук, доцент

Candidate of Technical Sciences 

БалалаечниковА. В.BalalaechnikovA. V.

старший преподаватель

Senior Lecturer

ФГБОУ ВО «Луганский государственный университет имени Владимира Даля»РоссияFederal State Budgetary Educational Institution of Higher Education "Lugansk State University named after Vladimir Dahl"Russian Federation20252310202503231241Copyright © Черных В.В., Балалаечников А.В., 20252025Черных В.В., Балалаечников А.В.Chernykh V.V., Balalaechnikov A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://seats.elpub.ru/jour/article/view/73

В статье рассматриваются возможности применения машинного обучения для прогнозирования успеваемости студентов в условиях современного образовательного пространства с постоянно растущими объемами данных. Анализируются ключевые аспекты оценки эффективности различных алгоритмов машинного обучения. Акцентируется внимание на важности адекватных метрик, строгой валидации моделей и учета этических соображений при внедрении технологий прогнозирования. 

The article examines the possibilities of using machine learning to predict student performance in the context of a modern educational environment with evergrowing volumes of data. Key aspects of evaluating the effectiveness of various machine learning algorithms are analyzed. Attention is focused on the importance of adequate metrics, strict validation of models, and consideration of ethical considerations when implementing forecasting technologies. 

машинное обучениеалгоритмпрогнозирование успеваемостирегрессиямоделькатегориальные признакиобучающая выборкатестовая выборкаmachine learningalgorithmperformance forecastingregressionmodelcategorical featurestraining settest setReferencesВилкова К.А. Учебная аналитика в традиционном образовании: ее роль и результаты / К.А. Вилкова, У.С. Захарова // Университетское управление: практика и анализ. – 2020. – Т. 24. – № 3. – С. 59–76Вилкова К.А. Учебная аналитика в традиционном образовании: ее роль и результаты / К.А. Вилкова, У.С. Захарова // Университетское управление: практика и анализ. – 2020. – Т. 24. – № 3. – С. 59–76Fernandes E. et al. Educational data mining: Predictive analysis of academic performance of public school students in the capital of Brazil // Journal of Business Research. 2019. No. 94. P. 335-343.Fernandes E. et al. Educational data mining: Predictive analysis of academic performance of public school students in the capital of Brazil // Journal of Business Research. 2019. No. 94. P. 335-343.Царькова Е.Г. Учебная аналитика в дистанционном обучении: особенности применения и перспективы развития / Е.Г. Царькова // Прикладная психология и педагогика. – 2022. – Т. 7. – № 3. – С. 54–66.Царькова Е.Г. Учебная аналитика в дистанционном обучении: особенности применения и перспективы развития / Е.Г. Царькова // Прикладная психология и педагогика. – 2022. – Т. 7. – № 3. – С. 54–66.Алпатов А.В. Применение машинного обучения для анализа образовательных результатов студентов вузов // Информационные и математические технологии в науке и управлении. 2023. № 4(32). С. 67-78.Алпатов А.В. Применение машинного обучения для анализа образовательных результатов студентов вузов // Информационные и математические технологии в науке и управлении. 2023. № 4(32). С. 67-78.Егорова Е.С., Попова Н.А. Data Mining в образовании: прогнозирование успеваемости учащихся // Моделирование, оптимизация и информационные технологии. 2023. № 11(2). URL: https://moitvivt.ru/ru/journal/pdf?id=1325 (дата обращения: 30.04.2025).Егорова Е.С., Попова Н.А. Data Mining в образовании: прогнозирование успеваемости учащихся // Моделирование, оптимизация и информационные технологии. 2023. № 11(2). URL: https://moitvivt.ru/ru/journal/pdf?id=1325 (дата обращения: 30.04.2025).

The authors declare that there are no conflicts of interest present.