Статья посвящена комплексному исследованию применения технологий искусственного интеллекта для персонализации образовательных траекторий студентов технических вузов на основе анализа больших данных. Проведенное исследование демонстрирует значительный потенциал интеграции методов интеллектуального анализа данных, машинного обучения и глубокого обучения в образовательный процесс для формирования индивидуализированных образовательных путей. Эмпирическая база исследования включала данные цифрового следа 1854 студентов инженерных направлений из 8 российских технических университетов в период 2020-2023 гг. Разработана многокомпонентная модель персонализации образовательных траекторий, использующая алгоритмы машинного обучения (Random Forest, Gradient Boosting, нейронные сети) для выявления индивидуальных образовательных паттернов и прогнозирования академической успеваемости. Статистический анализ показал, что внедрение адаптивных систем обучения с элементами искусственного интеллекта повышает средний балл студентов на 0,73 пункта (по 5-балльной шкале) и улучшает показатели удержания студентов в образовательной программе на 27% по сравнению с традиционными методами. Представлены результаты сравнительного анализа эффективности различных алгоритмов машинного обучения для прогнозирования образовательных достижений, где модели на основе градиентного бустинга продемонстрировали наивысшую точность (87,4%). Исследование также выявило ключевые предикторы академической успешности в технических дисциплинах на основе данных цифрового следа. Обсуждаются педагогические, этические и технологические аспекты внедрения систем персонализации в высшем техническом образовании, а также перспективы развития адаптивных образовательных технологий.
The article is devoted to a comprehensive study of the use of artificial intelligence technologies to personalize the educational trajectories of technical university students based on big data analysis. The conducted research demonstrates the significant potential of integrating data mining, machine learning and deep learning methods into the educational process to form individualized educational paths. The empirical base of the study included data from the digital footprint of 1,854 engineering students from 8 Russian technical universities in the period 2020-2023. A multicomponent educational trajectory personalization model has been developed using machine learning algorithms (Random Forest, Gradient Boosting, neural networks) to identify individual educational patterns and predict academic performance. Statistical analysis has shown that the introduction of adaptive learning systems with elements of artificial intelligence increases the average student score by 0.73 points (on a 5-point scale) and improves student retention rates in the educational program by 27% compared to traditional methods. The results of a comparative analysis of the effectiveness of various machine learning algorithms for predicting educational achievement are presented, where models based on gradient boosting demonstrated the highest accuracy (87,4%). The study also identified key predictors of academic success in technical disciplines based on digital footprint data. The pedagogical, ethical and technological aspects of the introduction of personalization systems in higher technical education, as well as the prospects for the development of adaptive educational technologies are discussed.
The article is devoted to a comprehensive study of the use of artificial intelligence technologies to personalize the educational trajectories of technical university students based on big data analysis. The conducted research demonstrates the significant potential of integrating data mining, machine learning and deep learning methods into the educational process to form individualized educational paths. The empirical base of the study included data from the digital footprint of 1,854 engineering students from 8 Russian technical universities in the period 2020-2023. A multicomponent educational trajectory personalization model has been developed using machine learning algorithms (Random Forest, Gradient Boosting, neural networks) to identify individual educational patterns and predict academic performance. Statistical analysis has shown that the introduction of adaptive learning systems with elements of artificial intelligence increases the average student score by 0.73 points (on a 5-point scale) and improves student retention rates in the educational program by 27% compared to traditional methods. The results of a comparative analysis of the effectiveness of various machine learning algorithms for predicting educational achievement are presented, where models based on gradient boosting demonstrated the highest accuracy (87,4%). The study also identified key predictors of academic success in technical disciplines based on digital footprint data. The pedagogical, ethical and technological aspects of the introduction of personalization systems in higher technical education, as well as the prospects for the development of adaptive educational technologies are discussed.