Использование ИИ для прогнозирования риска отчисления студентов в техническом образовании с применением подхода learning analytics

Почему ранние предупреждения для студентов, испытывающих трудности, важны

Многие студенты колледжей незаметно отстают в своих онлайн-курсах задолго до появления плохих оценок. В технических дисциплинах, где занятия требовательны и идут в быстром темпе, это может быстро привести к отчислению. В этом исследовании показано, как данные о повседневной активности в платформе онлайн-обучения можно превратить в систему раннего оповещения. Анализируя, как студенты работают с учебными материалами, модель искусственного интеллекта отмечает закономерности, которые сигнализируют о проблемах достаточно рано, чтобы преподаватели могли вмешаться и предложить целевую помощь.

Отслеживание цифровых следов в онлайн-занятиях

Исследование сосредоточено на двух курсах по компьютерному проектированию (CAD), проводившихся через платформу Moodle в университете прикладных наук. Каждый клик — открытие файла, попытка пройти тест, сдача домашнего задания — создаёт отметку с временной меткой. Из 12 941 такой записи для 80 студентов автор сформировал набор данных, описывающий 49 разных учебных ресурсов: от простых вводных страниц до сложных заданий из нескольких этапов. Поскольку в этих курсах наблюдались необычно высокие показатели отчислений, они стали удобной площадкой для изучения связи между паттернами активности и успехом или неудачей студентов.

Преобразование кликов в значимые сигналы обучения

Вместо того чтобы подавать сырые счётчики кликов в непрозрачный алгоритм, исследование предлагает метод «взвешенных атрибутов», который моделирует данные в индикаторы, понятные преподавателям. Каждый ресурс оценивается по трём ключевым аспектам: насколько он умственно требователен, как часто студенты с ним взаимодействуют и сколько времени курс предполагает на его выполнение. Эти оценки объединяются в единый показатель эффективности, отражающий, насколько хорошо студенты реально справляются с ресурсом. Таким образом модель не просто сообщает, что студент в зоне риска; она указывает на конкретные задания или материалы, которые могут быть источником проблемы.

Что обнаружили модели ИИ

Два типа предсказательных моделей — логистическая регрессия и случайный лес — обучались различать более и менее эффективные учебные ресурсы на основе этих взвешенных индикаторов. Чтобы не вводить в заблуждение относительноно небольшой выборкой, исследователь использовал повторные перекрёстные проверки, которые поочерёдно меняют данные для обучения и тестирования. В этих проверках обе модели показали хорошие результаты, причём случайный лес оказался немного точнее, а более простая логистическая модель давала результаты, которые легче интерпретировать. Во всех случаях самыми важными сигналами были частота взаимодействий студентов с ресурсом, время, проведённое с ним, и предполагаемая сложность ресурса.

Проектирование лучших курсов, а не замена преподавателей

Результаты показывают, что сложные, требующие времени задания — такие как пошаговые проекты моделирования и объёмные домашние работы — сильно коррелируют с лучшими результатами обучения, в то время как базовые объявления или короткие обзоры вносят меньший вклад. Это говорит о том, что хорошо продуманные вызовы при достаточном временном ресурсе являются ключом к успеху студентов. В исследовании также описано, как система раннего оповещения могла бы работать на практике: автоматизированная панель подчёркивала бы рисковые шаблоны для преподавателей, которые затем решали бы, как реагировать — например, добавлять примеры, корректировать нагрузку или предлагать дополнительные сессии поддержки. Важно, что система предназначена для информирования преподавателей, а не для автоматизации решений о судьбе студентов.

Что это значит для студентов и преподавателей

Для широкой аудитории ключевая мысль такова: ИИ может помочь вузам заметить проблемные места до того, как студенты потерпят неудачу, но только при продуманном использовании. Совмещая выводы о дизайне курсов с аккуратной работой с данными, метод взвешенных атрибутов превращает сырые логи активности в понятные сигналы о том, какие части курса помогают или мешают учёбе. Исследование пока остаётся пилотным, ограниченным небольшим числом технических курсов в одном учреждении, поэтому его результаты предварительны. Тем не менее оно предлагает конкретный путь к более прозрачному, справедливому и поддерживающему применению ИИ в образовании — когда инструменты на основе данных помогают преподавателям улучшать курсы и раньше выявлять студентов, испытывающих трудности, снижая вероятность того, что те тихо выпадают из учёбы.

Цитирование: 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

Ключевые слова: риск отчисления студентов, learning analytics, онлайн-техническое образование, предиктивное моделирование, системы раннего оповещения