Wykorzystanie AI do prognozowania ryzyka rezygnacji studentów w kształceniu technicznym przy użyciu podejścia analityki uczenia się

Dlaczego wczesne ostrzeżenia dla uczniów mających trudności są ważne

Wielu studentów powoli pozostaje w tyle w kursach online na długo przed tym, jak pojawią się złe oceny. W dziedzinach technicznych, gdzie zajęcia są wymagające i szybkie, może to szybko prowadzić do rezygnacji ze studiów. Badanie pokazuje, jak dane z codziennej aktywności na platformie e-learningowej można przekształcić w system wczesnego ostrzegania. Analizując, jak studenci przechodzą przez materiały kursu, model sztucznej inteligencji (AI) wykrywa wzorce sygnalizujące problemy wystarczająco wcześnie, by nauczyciele mogli w porę interweniować, oferując ukierunkowaną pomoc.

Śledzenie cyfrowych śladów w zajęciach online

Badanie koncentruje się na dwóch kursach projektowania wspomaganego komputerowo (CAD) prowadzonych na platformie Moodle na uniwersytecie nauk stosowanych. Każde kliknięcie — otwarcie pliku, podejście do testu, oddanie zadania — tworzy wpis w dzienniku z sygnaturą czasu. Z 12 941 takich rekordów dotyczących 80 studentów autor stworzył zbiór danych opisujący 49 różnych zasobów edukacyjnych, od prostych stron wprowadzających po złożone zadania wieloetapowe. Ponieważ kursy te wykazywały nadzwyczaj wysokie wskaźniki rezygnacji, stanowiły użyteczne pole testowe do zbadania, jak wzorce aktywności wiążą się z sukcesem lub porażką studentów.

Przekształcanie kliknięć w znaczące sygnały uczenia się

Zamiast wprowadzać surowe liczniki kliknięć do nieprzejrzystego algorytmu, badanie wprowadza metodę „ważonych atrybutów”, która przekształca dane w wskaźniki zrozumiałe dla nauczycieli. Każdy zasób oceniany jest pod trzema głównymi względami: jak bardzo obciąża poznawczo, jak często studenci z nim wchodzą w interakcję oraz ile czasu kurs zakłada na jego przerobienie. Te oceny są łączone w jedną miarę efektywności, która odzwierciedla, jak dobrze studenci rzeczywiście radzą sobie z danym zasobem. W ten sposób model nie tylko informuje, że student jest zagrożony; wskazuje konkretne zadania lub materiały, które mogą powodować problem.

Co odkryły modele AI

Dwa typy modeli predykcyjnych — regresja logistyczna i las losowy — zostały wytrenowane, by rozróżniać bardziej i mniej efektywne narzędzia nauczania na podstawie tych ważonych wskaźników. Aby uniknąć wniosków wypaczonych przez stosunkowo małą próbę, badacz zastosował powtarzane procedury walidacji krzyżowej, rotując dane używane do treningu i testowania. W tych sprawdzeniach oba modele radziły sobie dobrze; las losowy miał niewielką przewagę, ale prostszy model logistyczny dawał łatwiejsze do interpretacji wyniki. We wszystkich przypadkach najważniejszymi sygnałami były: częstotliwość interakcji studentów z zasobem, czas poświęcony na niego oraz zaprojektowana trudność.

Projektowanie lepszych kursów, a nie zastępowanie nauczycieli

Wyniki pokazują, że złożone, czasochłonne zadania — takie jak projekty wieloetapowe czy obszerne prace domowe — silnie korelują z lepszymi efektami uczenia się, podczas gdy podstawowe ogłoszenia czy krótkie przeglądy mają mniejsze znaczenie. Sugeruje to, że dobrze zaprojektowane wyzwania, wspierane odpowiednim czasem, są kluczowe dla sukcesu studentów. Badanie opisuje także, jak system wczesnego ostrzegania mógłby działać w praktyce: automatyczny pulpit pokazywałby instruktorom ryzykowne wzorce, a to nauczyciele decydowaliby o interwencji, np. dodaniu przykładów, dostosowaniu obciążenia czy zorganizowaniu dodatkowych sesji wsparcia. Co istotne, system ma informować nauczycieli, a nie automatyzować decyzje dotyczące studentów.

Co to oznacza dla studentów i edukatorów

Dla ogólnego czytelnika główny wniosek jest taki, że AI może pomóc uczelniom zauważyć miejsca problemowe zanim studenci zawiodą, pod warunkiem jednak, że będzie stosowana rozważnie. Łącząc wgląd w projekt kursu z ostrożnym przetwarzaniem danych, metoda ważonych atrybutów zamienia surowe dzienniki aktywności w jasne sygnały dotyczące części kursu, które wspierają lub utrudniają naukę. Badanie pozostaje pilotem, ograniczonym do niewielkiej liczby kursów technicznych na jednej uczelni, więc jego wyniki są wstępne. Mimo to wskazuje konkretną ścieżkę ku bardziej przejrzystemu, sprawiedliwemu i wspierającemu zastosowaniu AI w edukacji — gdzie narzędzia oparte na danych pomagają nauczycielom przeprojektować kursy i wcześniej docierać do studentów mających trudności, zmniejszając prawdopodobieństwo, że cicho odejdą ze studiów.

Cytowanie: Ovtšarenko, O. Using AI to forecast student dropout risk in technical education using a learning analytics approach. Sci Rep 16, 14616 (2026). https://doi.org/10.1038/s41598-026-44919-1

Słowa kluczowe: ryzyko rezygnacji studentów, analityka uczenia się, internetowe kształcenie techniczne, modelowanie predykcyjne, systemy wczesnego ostrzegania