Главная → Выпуски → 2022, №1 (59) →

ПРОГНОЗИРОВАНИЕ ОБРАЗОВАТЕЛЬНЫХ РЕЗУЛЬТАТОВ В ВЫСШЕМ ОБРАЗОВАНИИ НА ОСНОВЕ СЕМАНТИЧЕСКИХ МЕТОДОВ

Менеджмент образовательных организаций , УДК: 378 DOI: 10.25688/2072-9014.2022.59.1.05

Авторы

  • Ярмахов Борис Борисович кандидат философских наук, доцент
  • Босенко Тимур Муртазович кандидат технических наук
  • Лавренова Екатерина Владимировна Кандидат педагогических наук

Аннотация

В статье обсуждается практика применения семантических методов для прогнозирования учебных результатов студентов.
Ключевые слова
прогнозирование; данные; семантические методы; учебная аналитика.

Как ссылаться

Ярмахов, Б. Б., Босенко, Т. М. & Лавренова, Е. В. (2022). ПРОГНОЗИРОВАНИЕ ОБРАЗОВАТЕЛЬНЫХ РЕЗУЛЬТАТОВ В ВЫСШЕМ ОБРАЗОВАНИИ НА ОСНОВЕ СЕМАНТИЧЕСКИХ МЕТОДОВ , 2022, №1 (59), 47. https://doi.org/10.25688/2072-9014.2022.59.1.05
Список литературы
1. 1. Aguiar E., Ambrose G. Engagement vs performance: Using electronic portfolios to predict first semester engineering student persistence // Journal of Learning Analytics. 2014. № 1 (3).
2. 2. Al-Barrak M. A., Al-Razgan M. Predicting students final gpa using decision trees: a case study // International Journal of Information and Education Technology. 2016. № 7. P. 528.
3. 3. Grivokostopoulou F., Perikos I., Hatzilygeroudis I. Utilizing semantic web technologies and data mining techniques to analyze students learning and predict final performance // International Conference on Teaching, Assessment and Learning (TALE). 2014. P. 488–494.
4. 4. Hellas A., Ihantola I., Predicting academic performance: A systematic literature review // Proc. Companion 23rd Annu. ACM Conf. Innov. Technol. Comput. Sci. Edu. 2018. P. 175–199.
5. 5. Khanna L., Singh S. Educational data mining and its role in determining factors affecting students academic performance: A systematic review // 1st India International Conference on Information Processing (IICIP). 2016. P. 1–7.
6. 6. Murtaugh P. A., Burs L. D., Schuster J. Predicting the retention of university students // Research in Higher Education. 1999. № 40 (3). P. 355–371.
7. 7. Musso M., Hernández C., Cascallar C. Predicting key educational outcomes in academic trajectories: A machine-learning approach // Higher Educ.2020. Vol. 80. № 5. P. 1–20.
8. 8. Perez C. Different Tests, Same Flaws: Examining the SAT I, SAT II, and ACT // Journal of College Admission. 2002. № 177. P. 20–25.
9. 9. Shahiri M., Husain W. A review on predicting student’s performance using data mining techniques // Procedia Comput. Sci. 2015. Vol. 72. P. 414–422.
10. 10. Siemens G., Long P. Penetrating the fog: Analytics in learning and education // EDUCAUSE Review. 2011. № 46 (5). P. 31–40.
11. 11. Tapia-Leon M., Carrera Rivera A. Representation of Latin American University Syllabuses in a Semantic Network // 2nd International Conference on Information Systems and Computer Science (INCISCOS). 2017. P. 295–301.
12. 12. Thiele T., Singleton A., Pope D., Stanistreet D. Predicting students’ academic performance based on school and socio-demographic characteristics // Studies in Higher Education. 2015. № 27. P. 1–23.
13. 13. Wymore A. Wayne A Mathematical Theory of Systems Engineering // The Elements. John Wiley & Sons: New York, 1967.
Скачать файл .pdf 289.18 кб