Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки

16+

Название статьи

ИСПОЛЬЗОВАНИЕ МЕТОДА ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ДЛЯ ПРОГНОЗИРОВАНИЯ АКАДЕМИЧЕСКИ РИСКОВАННЫХ СТУДЕНТОВ В ЗАВИСИМОСТИ ОТ ИХ ТЕМПЕРАМЕНТА (НА ПРИМЕРЕ ФАКУЛЬТЕТА ИМИКН В НИУ ВШЭ - НИЖНИЙ НОВГОРОД)

Тип статьи	научная статья	Коды УДК	378
Страницы	229-237	Ключевые слова	психология в высшем образовании, академические достижения, темперамент, студенты, методы машинного обучения, дерево принятия решения, онлайн-анкетирование

Авторы

Шадрина Е.В.

Место работы

Шадрина Е.В. Национальный исследовательский университет «Высшая школа экономики»

Аннотация

Рассматривается влияние темперамента на академическую успеваемость студентов первого курса в НИУ ВШЭ - Нижний Новгород на примере факультета информатики, математики и компьютерных наук. Материалом для исследования послужила информация о темпераменте, степени экстраверсии, стабильности и дргих личностных чертах студентов, полученная путем проведения опроса. В исследовании принимали участие студенты первого и второго курса факультета ИМиКН 2017/18 учебного года. Определяются психологические факторы, влияющие на средний балл и вероятность пересдач для студентов с разными темпераментами. Обнаружена некоторая связь между темпераментом и академическим успехом, делающая возможным предсказание «рискованных» студентов. Для этого применяются различные методы машинного обучения: kNN-метод (k ближайших соседей) и дерево принятия решений. В результате проведенных вычислений наилучший результат показал метод дерева принятия решений. В итоге студенты первого года обучения классифицированы по трем группам (Good, Medium, Bad) по степени риска получить академическую задолженность. Практическим результатом исследования стали рекомендации учебному офису факультета ИМиКН обратить внимание на рискованных студентов и оказать им помощь в учебном процессе. После окончания летней сессии результаты классификации были проверены. В статье также представлен алгоритм поиска рискованных студентов с учетом темперамента.

Загрузить статью

Библиографический список

1 . Горбунова Е.В., Груздев И.А., Фрумин И.Д. Студенческий отсев в российских вузах: к постановке проблемы // Вопросы образования / Educational Studies Moscow. 2013. № 2. С. 67-81.
2 . Кейек-Франсен Д. Практики успешности студентов: от очного обучения к масштабному и обратно // Вопросы образования. 2018. № 4. С. 116-138.
3 . Кочергина Е.В., Прахов И.А. Взаимосвязь между отношением к риску, успеваемостью студентов и вероятностью отчисления из вуза // Вопросы образования. 2016. № 4. С. 206-228.
4 . Arulselvan A., Boginski V., Mendoza P., Pardalos P. Predicting the nexus between post-secondary education affordability and student success: An application of network-based approaches // ASONAM’09. International Conference on Advances in Social Networks Analysis and Mining. 2009. Р. 149-154.
5 . Campbell J.P. Utilizing student data within the course management system to determine undergraduate student academic success: An exploratory study. Purdue University, 2007.
6 . Pal S. Mining educational data using classification to decrease dropout rate of students. arXiv preprint arXiv:1206.3078. 2012.
7 . Горбунова Е.В. Выбытия студентов из вузов: исследования в России и США // Вопросы образования / Educational Studies Moscow. 2018. № 1. С. 110-131.
8 . Superby J.-F., Vandamme J., Meskens N. Determination of factors influencing the achievement of the first-year university students using data mining methods // Workshop on Educational Data Mining. Vol. 32. Р. 234.
9 . Lust T., Meskens N., Ahues M. Predicting academic success in Belgium and France Comparison and integration of variables related to student behavior. arXiv preprint arXiv:1408.4955. 2014.
10 . Булычева П.А., Ошмарина О.Е., Шадрина Е.В. Выявление академически неуспешных студентов на первом году обучения в университете на примере НИУ ВШЭ - Нижний Новгород // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. 2016. № 2 (42). С. 136-143.
11 . Poldin O., Valeeva D., Yudkevich M. How social ties affect peer group effects: Case of university students // SSRN Electronic Journal. January 2013. DOI: 10.2139/ssrn.2207666
12 . Dokuka S.V., Valeeva D.R., Yudkevich M.M. How academic failures break up friendship ties: Social networks and retakes // Educational Studies Moscow. 2017. № Р. 8-21.
13 . Айзенк Г., Вильсон Г. Как измерить личность. М.: Когито-центр, 2000. С. 156-159.
14 . Миркин Б.Г. Введение в анализ данных: Учебник и практикум для бакалавриата и магистратуры. М.: Юрайт, 2014. 174 с.
15 . Luan J. Data mining and its applications in higher education // New Directions for Institutional Research. 2002. № Р. 17-36.
16 . Friedl M.A., Brodley C.E. Decision tree classification of land cover from remotely sensed data // Remote Sensing of Environment. 1997. 61 (3). Р. 399-409.