Применение генеративного искусственного интеллекта (ИИ) для анализа образовательных данных и прогнозирования академической успеваемости студентов

Аннотация

Актуальность темы применения генеративного искусственного интеллекта (ИИ) для анализа образовательных данных и прогнозирования академической успеваемости студентов обусловлена растущей цифровизацией высшего образования и потребностью в новых инструментах повышения его эффективности. Анализ современных публикаций выявил недостаточную исследованность возможностей генеративного ИИ в данной предметной области. Цель работы - разработать и апробировать модель на основе генеративных состязательных сетей (GAN) для анализа массивов образовательных данных и предикции индивидуальных траекторий академической успешности. Задачи: 1) адаптировать архитектуру GAN под специфику образовательных данных; 2) обучить модель на репрезентативной выборке из LMS-логов 5000 студентов; 3) верифицировать прогностическую точность на независимых данных; 4) сравнить результаты с традиционными методами машинного обучения. Методы: генеративное состязательное моделирование, байесовская оптимизация гиперпараметров, стратифицированная k-блочная кросс-валидация, тесты Фридмана и Немени. Результаты: 1) построенная GAN-модель превосходит базовые решения по точности и полноте; 2) устойчива к дисбалансу классов и переобучению; 3) позволяет генерировать синтетические профили обучающихся для расширения набора признаков; 4) демонстрирует практическую применимость в реальном образовательном процессе. Предложенный подход открывает перспективы для создания адаптивных обучающих систем, способных в реальном времени идентифицировать студентов из группы риска и обеспечивать индивидуализированную поддержку.