Məxfiliyə həssas erkən xəbərdarlıq sistemi, tələbənin demoqrafik xüsusiyyətləri və ya əvvəlki akademik keçmişi kimi daha həssas məlumatlardan istifadə etmədən, öyrənmə idarəetmə sistemindəki davranış nümunələrindən akademik risk siqnalı yaratmağa çalışan proqnozlaşdırma yanaşmasıdır. Hon-Sun Chiu, Adam Wong və Tung-Lok Wong-un tədqiqatı, Hong Kong Polytechnic University-dəki 236 bakalavr fənnindən əldə edilmiş 1,7 milyondan çox Blackboard qarşılıqlı təsir qeydindən istifadə etməklə tələbələrin semestr sonundakı performans kateqoriyalarını erkən həftələrdə proqnozlaşdırmağı araşdırır.

Tədqiqatın orijinal cəhətlərindən biri tələbələrin xam LMS istifadə göstəricilərini fənlər arasında birbaşa müqayisə etmək əvəzinə rank-based engagement features, yəni fənn daxilində nisbi iştirak sıralarından istifadə etməsidir. Məsələn, tələbənin Blackboard-a neçə gün daxil olması, neçə sessiya keçirməsi və ya neçə klik etməsi təkbaşına istifadə edilmir; bunun əvəzinə onun eyni fəndəki digər tələbələr arasındakı sırası hesablanır.

Bu yanaşmanın əsaslandırması aydındır: Blackboard-dan 10 saat istifadə tamamilə üz-üzə keçirilən bir fənn üçün çox yüksək, intensiv onlayn fəaliyyət tələb edən başqa bir fənn üçün isə aşağı ola bilər. Buna görə xam klik və ya müddət göstəriciləri müxtəlif fənlərdə eyni mənanı daşımaya bilər. Nisbi sıralama tələbənin öz fənn kontekstindəki davranışını təmsil edərək müxtəlif fənlərin daha mənalı şəkildə müqayisəsini hədəfləyir.

Random Forest təsnifatçısı ilə aparılan analizdə ümumi modelin dəqiqlik və F1 göstəriciləri üçüncü tədris həftəsindən etibarən %90-dan yuxarı qalxmışdır. Bu, semestr sonu imtahanları və ya qiymətlər hələ formalaşmadan akademik risk baxımından istifadə edilə bilən erkən siqnal yaratmağın mümkün ola biləcəyini göstərir.

Lakin modelin yüksək dəqiqliyi dəstək müdaxiləsinin tələbələrin uğurunu artırdığını göstərmir. Tədqiqatçılar hər hansı erkən məsləhətləndirmə, fərdiləşdirilmiş əks əlaqə və ya başqa dəstək müdaxiləsinin təsirini sınaqdan keçirməmişlər. Tədqiqatın göstərdiyi budur: erkən proqnoz vermək mümkündür; bu proqnoza əsaslanan müdaxilələrin həqiqətən effektiv olub-olmadığı gələcəkdə ayrıca araşdırılmalıdır.

Universitetlər niyə tələbəni üçüncü həftədə müəyyənləşdirmək istəyir?

Ənənəvi akademik risk aşkarlanması çox vaxt tələbə aşağı imtahan qiyməti aldıqdan, tapşırıq təhvilini qaçırdıqdan və ya davamiyyətsizlik nəzərəçarpacaq olduqdan sonra işə düşür. Bu halda dəstək üçün istifadə edilə biləcək vaxtın mühüm hissəsi itirilmiş ola bilər.

Öyrənmə idarəetmə sistemləri isə tələbənin fənnlə münasibətinə dair daha erkən davranış izləri yaradır. Tələbənin Blackboard-a hansı günlərdə daxil olduğu, neçə sessiya keçirdiyi, neçə məzmuna klik etdiyi və sistemdə nə qədər qaldığı kimi məlumatlar ilk imtahan keçirilməzdən əvvəl formalaşır.

Bu tədqiqatın əsas sualı belədir:

Tələbənin şəxsi demoqrafik keçmişindən və ya əvvəlki qiymətlərindən istifadə etmədən, yalnız LMS-dəki erkən dövr davranışlarına əsasən semestr sonunda risk altında olub-olmayacağını proqnozlaşdırmaq mümkündürmü?

Məlumat haradan gəlir?

Tədqiqat The Hong Kong Polytechnic University nəzdindəki School of Professional Education and Executive Development mühitində aparılmışdır.

Məlumat dəsti dörd akademik bölmədəki fənləri əhatə edir:

• Business and Hospitality Management,
• Languages and Communication,
• Science, Engineering and Health Studies,
• Social Sciences, Humanities and Design.

2023–2024 akademik ilinin ikinci semestrindəki 236 bakalavr fənni tədqiqata daxil edilmişdir. Fənlər üz-üzə, onlayn və hibrid tədris formalarını, həmçinin imtahanlı və imtahansız müxtəlif qiymətləndirmə strukturlarını əhatə edir.

Blackboard tələbə fəaliyyət jurnallarından 1,7 milyondan çox qeyd çıxarılmışdır.

Tələbənin Çox Klik Etməsi Onun Uğurlu Olacağı Deməkdirmi?

Xeyr. Məqalənin mühüm nəticələrindən biri də budur.

Müxtəlif fənlərin LMS-dən istifadə formaları xeyli fərqləndiyi üçün xam fəaliyyət göstəriciləri ilə fənn qiymətləri arasındakı korrelyasiyalar ümumən aşağıdır. Məsələn, bəzi fənlərdə tələbələr materialın mühüm hissəsini üz-üzə mənimsəyə bilər; başqa bir fəndə isə demək olar ki, bütün fəaliyyət Blackboard üzərindən həyata keçirilə bilər.

Buna görə “daha çox klik = daha yüksək uğur” kimi universal qayda qurmaq düzgün deyil.

Məqalənin 14. səhifəsindəki müqayisələr dörd akademik bölmənin hamısında xam LMS xüsusiyyətləri ilə qiymətlər arasındakı korrelyasiyaların aşağı olduğunu göstərir. Məsələn, platformaya daxil olunan günlərin sayı ilə fənn qiyməti arasındakı korrelyasiya təxminən 0,142–0,203 arasında dəyişir, bəzi klik intensivliyi dəyişənlərində isə hətta mənfi dəyərlər görünür.

Bunun əksinə, eyni səhifədə tələbə fəaliyyətini qiymət kateqoriyalarına görə göstərən qrafik daha yüksək qiymət alan tələbələrin ümumən sistemə daha tez-tez daxil olmağa, daha çox sessiya keçirməyə və daha çox qarşılıqlı təsir qurmağa meyilli olduğunu göstərir.

Bu iki nəticə ziddiyyətli deyil. Ümumi davranış nümunəsi var; lakin xam rəqəmlərin mənası hər fənnin öz strukturundan asılıdır.

Rank-Based Engagement Xüsusiyyətləri Nədir?

Tədqiqatçıların təklif etdiyi həll tələbənin mütləq LMS fəaliyyətini deyil, eyni fəndəki digər tələbələrə görə nisbi mövqeyini hesablamaqdır.

Beləliklə, tələbənin “20 dəfə daxil oldu” məlumatından daha çox, öz fənnindəki tələbələrin mühüm hissəsindən daha çox və ya daha az qarşılıqlı təsir qurduğu məlumatından istifadə edilir.

Bu çevrilmə fənlər arasındakı fərqli LMS istifadə intensivliyini qismən standartlaşdırmağı hədəfləyir.

Niyə müddət təkbaşına etibarlı deyil?

Tədqiqatçılar xüsusilə ümumi LMS müddətinin problemli ola biləcəyini qeyd edirlər.

Tələbə Blackboard-da faylı açıb kompüterini açıq saxlaya bilər. Sistem uzun giriş müddəti qeydə alsa da tələbə materialla faktiki olaraq qarşılıqlı təsirdə olmaya bilər.

Buna görə tədqiqatçılar yalnız müddətdən asılı qalmamış və Index dəyişənində giriş günü, sessiya sayı və ümumi klik sayını birləşdirmişlər.

Sistemə heç daxil olmayan tələbələrlə nə baş verir?

Rank əsaslı yanaşmanın başqa üstünlüyü ilk həftələrdə Blackboard-a heç daxil olmayan tələbələrin məlumat dəstindən itməməsidir.

Xam xüsusiyyət yanaşmasında fəaliyyət qeydi olmayan tələbə bəzi analizlərdə çatışmayan dəyər səbəbilə kənarda qala bilər. Bu tədqiqatda belə tələbələr öz fənlərindəki ən aşağı rank dəyərinə yerləşdirilərək məlumat dəstində saxlanılır.

Erkən xəbərdarlıq sistemləri baxımından bu xüsusilə vacibdir; çünki heç bir LMS fəaliyyəti göstərməmək özü potensial iştirakdan uzaqlaşma siqnalı ola bilər.

“Məxfiliyə Həssas” İfadəsi Əslində Nə Deməkdir?

Tədqiqat tələbələrin:

• cinsini,
• yaşını,
• sosial-iqtisadi vəziyyətini,
• əvvəlki akademik keçmişini,
• köhnə GPA və ya qiymət qeydlərini

proqnoz modelinin girişi kimi istifadə etmir.

Əsas məlumat mənbəyi tələbənin LMS daxilindəki davranışıdır.

Buna görə yanaşma bir çox təhsil proqnozlaşdırma sisteminə nisbətən daha az şəxsi məlumatdan istifadə edir və məlumatların minimallaşdırılması prinsipinə daha yaxındır.

Lakin burada mühüm terminoloji sərhəd var. Məqalənin özü də LMS davranış məlumatlarının potensial olaraq şəxsi müəyyənləşdirə biləcəyini qəbul edir.

Deməli, burada istifadə olunan “privacy-conscious” ifadəsi:

“Tələbə məxfiliyinə riyazi zəmanət verən sistem” demək deyil.

Tədqiqatda differential privacy və ya federated learning kimi formal privacy-preserving mexanizmlər tətbiq edilməmişdir. Müəlliflər öz yanaşmalarını bunlarla müqayisədə daha sadə və institusional olaraq tətbiq edilə bilən məlumat minimallaşdırması alternativi kimi təqdim edirlər.

Risk Altındakı Tələbə Necə Müəyyənləşdirildi?

Tələbələr semestr sonu fənn qiymətlərinə görə üç sinfə ayrılmışdır:

Risk altındakı tələbələr ümumi məlumat dəstinin təxminən %5-ni təşkil edir.

Bu nisbət maşın öyrənməsində mühüm problem yaradır: model yalnız çoxluq qrupunu proqnozlaşdıraraq zahirən yüksək dəqiqlik göstərə bilər.

SMOTE Niyə İstifadə Edildi?

Məlumat dəstində həm risk altındakı, həm də çox yüksək performanslı tələbələr çoxluq qrupuna nisbətən azdır. Bu vəziyyət sinif balanssızlığı adlanır.

Tədqiqatçılar bu problemi azaltmaq üçün Synthetic Minority Over-sampling Technique, yəni SMOTE istifadə etmişlər.

SMOTE az saylı sinfin mövcud nümunələrini sadəcə kopyalamaq əvəzinə, həmin nümunələrin xüsusiyyətlərindən yeni sintetik təlim nümunələri yaradır.

Metodoloji baxımdan mühüm məqam budur: tədqiqatçılar əvvəlcə təlim və test məlumatlarını ayırmış, SMOTE-u yalnız təlim dəstinə tətbiq etmişlər.

Beləliklə, sintetik yaradılmış nümunələrin test dəstinə sızaraq model performansını süni şəkildə yüksəltməsinin qarşısı alınmağa çalışılmışdır.

Tədqiqatın Metodu və Nəticələri

İstifadə olunan modellər

Tədqiqatda üç əsas model istifadə edilmişdir:

• Random Forest Regressor,
• Multiple Linear Regression,
• Random Forest Classifier.

Reqressiya modelləri tələbənin performansını fasiləsiz dəyər kimi proqnozlaşdırmaq üçün müqayisə edilmişdir. Random Forest Regressor xətti reqressiya ilə müqayisədə daha yüksək R² və daha aşağı orta kvadrat xəta göstərmişdir.

Lakin tədqiqatın əsas diqqəti reqressiya deyil, tələbələri üç performans kateqoriyasına ayıran Random Forest təsnifatıdır.

Xüsusiyyət seçimi necə aparıldı?

Modeldə istifadə oluna biləcək dəyişənlər SelectKBest üsulu ilə qiymətləndirilmişdir.

Məqalənin 17. səhifəsindəki nümunə SelectKBest çıxışı və sonrakı müqayisə rank əsaslı xüsusiyyətlərin xam LMS xüsusiyyətlərinə nisbətən ümumən daha yüksək seçim balı aldığını göstərir.

Məqalənin 18. səhifəsindəki qrafikdə də tədris həftələri irəlilədikcə rank əsaslı xüsusiyyətlərin seçim nisbətinin xam xüsusiyyətlərdən nəzərəçarpacaq dərəcədə yüksək qaldığı görünür.

Buna görə sonrakı əsas proqnoz modellərində rank əsaslı xüsusiyyətlərə üstünlük verilmişdir.

İlk test: böyük fənlər

İlk performans qiymətləndirilməsi imtahanı olan və sinif ölçüsü 80-dən çox olan 16 böyük fəndə aparılmışdır.

Bu alt nümunə 2341 tələbəni əhatə edir.

Məlumat tələbə səviyyəsində təbəqələndirilmiş şəkildə %70 təlim və %30 test dəstinə ayrılmış; eyni tələbəyə aid məlumatların hər iki tərəfə yayılmamasına diqqət edilmişdir. Təlim hissəsində beşqat çarpaz doğrulama istifadə edilmiş və SMOTE yalnız təlim məlumatlarına tətbiq olunmuşdur.

Bu ilk təsnifatda rank əsaslı xüsusiyyətlərdən istifadə edildikdə Random Forest Classifier-in həm dəqiqlik, həm də F1 göstəricisi %80-dən yuxarı qalxmışdır.

Model 236 fənnin hamısına necə genişləndirildi?

Müxtəlif fənlərin yalnız tələbə davranışları deyil, tədris və qiymətləndirmə strukturları da fərqlidir. Tədqiqatçılar buna görə beş rank əsaslı dəyişənə üç fənn konteksti dəyişəni əlavə etmişlər:

• EXAM: fəndə imtahanın olub-olmaması,
• MODE: üz-üzə, onlayn və ya hibrid tədris,
• DIVISION: fənnin aid olduğu akademik bölmə.

Beləliklə, əsas modeldə cəmi səkkiz girişdən istifadə edilmişdir.

Üçüncü Həftədə %90-dan Yuxarı Proqnoz Həqiqətən Əldə Edildimi?

Bəli; bu tədqiqatın öz test quruluşu daxilində, 236 fənnin hamısını əhatə edən Random Forest təsnifatının dəqiqlik və F1 göstəriciləri üçüncü tədris həftəsindən etibarən %90-dan yuxarı qalxmışdır.

Mənbədə Cədvəl 6 tədqiqatın ümumi performans diapazonunu təxminən %87–93 dəqiqlik kimi yekunlaşdırır.

Məqalənin 22. səhifəsində bütün 236 fənni əhatə edən qrafik də ilk həftədən üçüncü həftəyə qədər sürətli performans artımı və bundan sonra %90-dan yuxarı qalan əyri göstərir.

Bu nəticə erkən akademik risk aşkarlanmasının final qiymətləri və ya semestr sonu imtahanları formalaşmadan aparıla biləcəyini göstərir.

Niyə ilk iki həftə daha zəifdir?

Müəssisənin akademik təqvimində ilk iki həftə fənn əlavə etmə və çıxarma dövrüdür.

Tələbələr fənni dəyişə bildiyi və ya qeydiyyatı hələ dəqiqləşmədiyi üçün:

• LMS qarşılıqlı təsir qeydləri daha azdır,
• sinif siyahıları hələ dəyişir,
• tələbənin davranış nümunəsi yetərincə formalaşmayıb.

Üçüncü həftə isə rəsmi qeydiyyat sayım nöqtəsidir. Tədqiqatçılar ilk iki həftədəki daha aşağı performansın bu kontekstlə əlaqəli ola biləcəyini qeyd edirlər.

Böyük siniflərdə model niyə bir qədər daha güclüdür?

Nəticələr böyük fənlərdə proqnoz performansının orta və kiçik fənlərlə müqayisədə ümumən daha yüksək olduğunu göstərir.

Tədqiqatçılar bunun mümkün səbəblərindən birinin böyük siniflərdə qiymət paylanmalarının daha nizamlı və normal paylanmaya daha yaxın olması olduğunu irəli sürürlər.

Kiçik siniflərdə bir neçə tələbənin fərqli davranışı belə paylanmanın strukturunu daha çox dəyişə və rank əsaslı xüsusiyyətlərlə yekun qiymətlər arasındakı əlaqənin daha mürəkkəb görünməsinə səbəb ola bilər.

Bu izah tədqiqatın şərhidir; sinif ölçüsünün performans fərqinə birbaşa səbəb olduğu eksperimental olaraq sınaqdan keçirilməmişdir.

At-risk tələbələr çoxluq təşkil etmədiyi halda model onları aşkar edə bilirmi?

Məqalənin 23. və 24. səhifələrindəki sinif əsaslı precision, recall və F1 qrafiklərində risk altındakı və yüksək performanslı azlıq siniflərinin nəticələri həftələrin çoxunda çoxluğu təşkil edən “normal” sinifdən aşağı deyil; hətta precision və F1 baxımından daha yüksək görünür.

Müəlliflər bunu SMOTE tətbiqindən sonra modelin azlıq siniflərinə dair qərar sərhədlərini daha yaxşı öyrənməsi ilə əlaqələndirirlər.

Bu nəticə sinif balanssızlığı probleminin bu məlumat dəstində böyük ölçüdə nəzarətə alındığını düşündürsə də, başqa universitetlərdə eyni nümunənin mütləq təkrarlanacağı demək deyil.

Model Tələbənin Uğursuz Olmasının Qarşısını Alırmı?

Xeyr; bu tədqiqat bunu sınaqdan keçirməyib.

Model tələbəni erkən dövrdə risk kateqoriyasına ayıra bilər. Lakin proqnozdan sonra:

• tələbəyə məsləhət verilməsi,
• fərdiləşdirilmiş əks əlaqə göndərilməsi,
• öyrənmə dəstəyinə yönləndirilməsi,
• uyğunlaşdırılan material təqdim edilməsi

kimi müdaxilələrin tələbə uğurunu həqiqətən artırıb-artırmadığı bu tədqiqatın eksperimental əhatəsinə daxil deyil.

Müəlliflər sistemi buna görə yekun həll kimi deyil, proaktiv tələbə dəstəyini başlada biləcək erkən xəbərdarlıq infrastrukturu kimi mövqeləndirirlər.

Fənlərarası Ümumiləşdiriləbilənlik Nə Dərəcədə Sübut Edildi?

Tədqiqat bir fənn əvəzinə 236 fərqli fənni, dörd akademik bölməni, fərqli sinif ölçülərini, fərqli qiymətləndirmə formalarını və üz-üzə/onlayn/hibrid tədris mühitlərini əhatə etdiyinə görə bir çox öyrənmə analitikası tədqiqatı ilə müqayisədə olduqca geniş daxili müxtəlifliyə malikdir.

Rank əsaslı xüsusiyyətlərin əsas məqsədi də bu heterogenliyə dayanıqlı olmaqdır.

Lakin bütün məlumatlar eyni universitet sistemi daxilindən gəlir.

Deməli, burada göstərilən budur:

Eyni müəssisə daxilində çox müxtəlif fənn və dərs strukturları arasında işləyən modeldir.

Başqa ölkələrdə, fərqli LMS sistemlərində və ya başqa tələbə populyasiyalarında eyni dəqiqlik səviyyəsinin qorunacağı bu məqalə ilə hələ doğrulanmayıb.

Buna görə “cross-disciplinary generalizability” güclü tədqiqatdaxili nəticədir; “cross-institutional generalizability” isə gələcəkdə ayrıca doğrulanmalı məsələdir.

Tədqiqatın dəstəklədiyi nəticələr

• Xam LMS fəaliyyət göstəriciləri çox fərqli fənlər arasında birbaşa müqayisə edildikdə proqnoz gücü zəifləyə bilər.
• Fənn daxilində nisbi sıralamaya əsaslanan xüsusiyyətlər heterogen fənlər arasında daha ardıcıl davranış göstəriciləri yarada bilər.
• Random Forest təsnifatı bu məlumat dəstində güclü performans göstərmişdir.
• 236 fənnin hamısında istifadə olunan model üçüncü həftədən etibarən %90-dan yüksək dəqiqlik və F1 göstəricisi yaratmışdır.
• Demoqrafik və əvvəlki akademik məlumatlardan istifadə etmədən güclü erkən proqnoz mümkündür.
• Fənn rejimi, imtahan vəziyyəti və akademik bölmə kimi kontekst dəyişənlərinin əlavə edilməsi proqnoz performansını artırmışdır.
• SMOTE-dan sonra azlıq performans sinifləri model tərəfindən güclü şəkildə fərqləndirilə bilmişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Modelin tələbələrin uğursuz olmasını azaltdığı sübut edilməmişdir.
• Erkən xəbərdarlığın tələbə davamlılığını və ya məzuniyyət nisbətini artırdığı eksperimental olaraq göstərilməmişdir.
• Modelin başqa universitetlərdə eyni %90+ performansı göstərəcəyi doğrulanmayıb.
• LMS fəaliyyətinin tələbənin həqiqi öyrənməsini tam ölçdüyünü demək olmaz.
• Daha çox Blackboard istifadəsinin təkbaşına daha yüksək uğura səbəb olduğu nəticəsi çıxarıla bilməz.
• Sistem formal diferensial məxfilik və ya federated learning zəmanəti vermir.

Ən mühüm məhdudiyyətlər

Birinci məhdudiyyət: LMS qeydlərinin detallılıq səviyyəsi. Blackboard tələbənin faylı açdığını göstərə bilər; lakin onun həqiqətən oxuyub-oxumadığını və ya faylı açıq saxlayıb başqa iş görüb-görmədiyini dəqiq göstərmir.

İkinci məhdudiyyət: qiymətləndirmə məlumatlarının detallılıq səviyyəsi. İnstitusional qiymət cədvəlləri “test”, “tapşırıq” və ya “qrup layihəsi” kimi yüksək səviyyəli kateqoriyalar təqdim edir. Testin neçə hissədən ibarət olması və ya tapşırığın onlayn, vaxt məhdudiyyətli, yaxud evdə yerinə yetirilən iş olması kimi detallar modeldə yoxdur.

Üçüncü məhdudiyyət: müəssisələrarası xarici doğrulama yoxdur. Məlumat çoxfənli olsa da tək universitet strukturundan gəlir.

Dördüncü məhdudiyyət: davranış izi öyrənmənin özü deyil. Klik, sessiya və platformada keçən vaxt öyrənmənin yalnız rəqəmsal izlərini göstərir; tələbənin anlama səviyyəsi, motivasiyası və ya oflayn çalışma müddəti birbaşa ölçülmür.

Beşinci məhdudiyyət: məxfilik zəmanəti məhduddur. Demoqrafik məlumatdan istifadə edilməməsi məxfilik baxımından üstünlükdür; lakin LMS qeydlərinin özü də fərdi davranış məlumatıdır.

Gələcək tədqiqatlar nəyi sınaqdan keçirməlidir?

Müəlliflər gələcəkdə daha detallı LMS hadisə qeydlərindən istifadə etməyi təklif edirlər. Tələbənin hansı məzmunu yalnız açdığı, hansı məzmunla aktiv işlədiyi və sessiya daxilində davranışların necə inkişaf etdiyi daha detallı ölçülə bilsə, proqnozların pedaqoji mənası güclənə bilər.

Eyni qaydada tapşırıq və imtahan strukturlarının daha detallı qeydə alınması fərqli qiymətləndirmə dizaynları ilə LMS davranışı arasındakı əlaqənin araşdırılmasına imkan verə bilər.

Ən mühüm növbəti addım isə proqnozdan sonra real müdaxilənin sınaqdan keçirilməsidir. Məsələn:

• erkən məsləhətləndirmə,
• fərdiləşdirilmiş əks əlaqə,
• öyrənmə dəstək xidmətinə yönləndirmə,
• uyğunlaşdırılan öyrənmə materialı

tətbiq edildikdə risk qrupundakı tələbələrin real akademik nəticələrinin dəyişib-dəyişmədiyi nəzarətli tədqiqatlarla qiymətləndirilməlidir.

Mənbə və Metod Qeydi

Orijinal tədqiqat: A Privacy-Conscious AI Framework for Early Identification of At-Risk Students Across Disciplines Using LMS Engagement Data

Müəlliflər: Hon-Sun Chiu, Adam Wong və Tung-Lok Wong

Müəssisə: Division of Science, Engineering, and Health Studies, School of Professional Education and Executive Development, The Hong Kong Polytechnic University, Hong Kong, China.

Jurnal: Education Sciences

İl / Cild / Məqalə: 2026; 16; 1046.

Nəşr tarixi: 1 iyul 2026.

DOI: 10.3390/educsci16071046

Rəsmi mənbə:https://doi.org/10.3390/educsci16071046

Lisenziya: Creative Commons Attribution (CC BY).

Tədqiqat növü: Ali təhsil öyrənmə analitikası və maşın öyrənməsinə əsaslanan erkən risk proqnozu tədqiqatı.

Məlumat dövrü: 2023–2024 akademik ilinin ikinci semestri.

Fənn sayı: 236.

Akademik bölmə: Dörd.

LMS: Blackboard.

LMS qeyd miqyası: 1,7 milyondan çox tələbə qarşılıqlı təsir qeydi.

Risk tərifi: Semestr sonu fənn qiymətinin C− və ya aşağı olması; məlumat dəstinin təxminən %5-i.

Əsas model: Random Forest Classifier.

Köməkçi modellər: Random Forest Regressor və Multiple Linear Regression.

Əsas xüsusiyyət mühəndisliyi: Tələbələrin öz fənlərindəki LMS istifadəsinə görə rank əsaslı Days, Sessions, Total Time və Total Clicks dəyişənləri ilə mürəkkəb Index.

Fənn konteksti dəyişənləri: EXAM, MODE və DIVISION.

Sinif balanssızlığı üsulu: SMOTE; train-test ayrımından sonra yalnız təlim məlumatlarına tətbiq edilmişdir.

Əsas performans nəticəsi: 236 fənnin hamısındakı təsnifatda dəqiqlik və F1 göstəricisinin üçüncü tədris həftəsindən etibarən %90-dan yuxarı olduğu bildirilmişdir.

Maliyyələşdirmə: Research Grants Council of the Hong Kong Special Administrative Region, China; Project No. UGC/FDS24/H06/23.

Etik komitə: Məqalədə Institutional Review Board Statement “Not applicable” kimi bildirilmişdir.

Məlumatlandırılmış razılıq: “Not applicable” kimi bildirilmişdir.

Məlumatlara çıxış: Məlumat dəsti məxfilik və etik məhdudiyyətlər səbəbilə açıq paylaşılmır.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması bildirməmişlər. Maliyyələşdirənin tədqiqat dizaynında, məlumat toplamada, analizdə, şərhdə, məqalənin yazılmasında və ya nəşr qərarında rolunun olmadığı qeyd edilmişdir.

Süni intellekt istifadəsi bəyanatı: Müəlliflər məqalənin hazırlanması zamanı Microsoft Copilot versiya 1.25054.80.0-dan yalnız proofreading məqsədilə istifadə etdiklərini, çıxışları nəzərdən keçirib redaktə etdiklərini və nəşr məzmununa görə məsuliyyəti öz üzərlərinə götürdüklərini bildirmişlər.

Əsas məxfilik qeydi: Tədqiqat demoqrafik və əvvəlki akademik məlumatları model girişi kimi istifadə etmir. Buna baxmayaraq, LMS davranış qeydləri potensial olaraq şəxsi müəyyənləşdirə bildiyi üçün yanaşma “privacy-conscious” kimi qiymətləndirilməlidir; formal privacy-preserving texnologiya ehtiva etdiyi kimi şərh edilməməlidir.

Əsas ümumiləşdiriləbilənlik qeydi: Model eyni müəssisə daxilində 236 heterogen fənn və dörd akademik bölmədə sınaqdan keçirilmişdir. Başqa universitet və LMS mühitlərində müstəqil xarici doğrulama bu tədqiqat çərçivəsində aparılmamışdır.

Verianla yenidən strukturlaşdırma qeydi: Bu məzmun mənbə məqalənin Azərbaycan dilinə tam tərcüməsi deyil. Məqalənin məlumat strukturu, model arxitekturası, doğrulana bilən performans nəticələri, etik yanaşması və məhdudiyyətləri elmi informasiya səviyyəsində ayrışdırılmış; müstəqil və öyrədici Azərbaycan dilli izah daxilində yenidən strukturlaşdırılmışdır. Mənbə qrafikləri və ekran görüntüləri vizual olaraq kopyalanmamış, zəruri elmi əlaqələr yeni izahlar və HTML cədvəlləri ilə təqdim edilmişdir.