Купуялуулукту эске алган эрте эскертүү системасы — студенттин демографиялык өзгөчөлүктөрү же мурдагы академиялык тарыхы сыяктуу сезимтал маалыматтарды колдонбостон, окутууну башкаруу системасындагы жүрүм-турум үлгүлөрүнөн академиялык тобокелдик белгисин чыгарууга аракет кылган божомолдоо ыкмасы. Hon-Sun Chiu, Adam Wong жана Tung-Lok Wong жүргүзгөн изилдөө Hong Kong Polytechnic University курамындагы 236 бакалаврдык курстан алынган 1,7 миллиондон ашык Blackboard өз ара аракеттенүү жазуусун колдонуп, студенттердин семестр аягындагы жетишкендик категорияларын алгачкы апталарда божомолдоону карайт.

Изилдөөнүн өзгөчө жактарынын бири студенттердин LMSти колдонуусунун чийки көрсөткүчтөрүн курстар арасында түз салыштыруунун ордуна rank-based engagement features, башкача айтканда, курс ичиндеги салыштырмалуу катышуу рейтингдерин колдонушу. Мисалы, студент Blackboard'га канча күн киргени, канча сессия өткөргөнү же канча жолу басканы өзүнчө колдонулбай, анын ошол эле курстагы башка студенттер арасындагы орду эсептелет.

Бул ыкманын жүйөсү түшүнүктүү: Blackboard'ду 10 саат колдонуу толугу менен бетме-бет өтүлгөн курс үчүн өтө жогору болушу мүмкүн, ал эми онлайн активдүүлүктү көп талап кылган башка курс үчүн төмөн болушу мүмкүн. Демек, чийки басуу же убакыт көрсөткүчтөрү ар башка курстарда бирдей мааниге ээ болбой калышы мүмкүн. Салыштырмалуу рейтинг студенттин өз курсунун контекстиндеги жүрүм-турумун чагылдырып, ар башка дисциплиналарды маңыздууураак салыштырууну көздөйт.

Random Forest классификатору менен жүргүзүлгөн талдоодо жалпы моделдин тактык жана F1 көрсөткүчтөрү үчүнчү окуу аптасынан тартып %90'дан жогору чыккан. Бул семестр аягындагы экзамендер же баалар али калыптана электе академиялык тобокелдик боюнча колдонууга жарактуу эрте белги чыгаруу мүмкүн болушу ыктымал экенин көрсөтөт.

Бирок моделдин жогорку тактыгы колдоо чарасы студенттердин жетишкендигин жогорулатканын билдирбейт. Изилдөөчүлөр эрте кеңеш берүү, жекелештирилген кайтарым байланыш же башка колдоо чараларынын таасирин текшерген эмес. Изилдөө көрсөткөн нерсе — эрте божомол жасоого болот; бул божомолго таянып жасала турган чаралар чындап натыйжалуу болобу же жокпу, келечекте өзүнчө изилденүүгө тийиш.

Университеттер эмне үчүн студентти үчүнчү аптада аныктагысы келет?

Салттуу академиялык тобокелдикти аныктоо көп учурда студент төмөн экзамен баасын алгандан, тапшырмаларды өткөрүп жибергенден же сабакка келбей калуусу айкын болгондон кийин ишке кирет. Мындай учурда колдоо үчүн пайдаланууга боло турган убакыттын маанилүү бөлүгү жоголуп кетиши мүмкүн.

Окутууну башкаруу системалары болсо студенттин курс менен байланышы тууралуу кыйла эрте жүрүм-турум издерин жаратат. Студенттин Blackboard'га кайсы күндөрү киргени, канча сессия өткөргөнү, канча мазмунду басканы жана системада канча убакыт калганы тууралуу маалыматтар биринчи экзамен өтө электе эле пайда болот.

Бул изилдөөнүн негизги суроосу мындай:

Студенттин жеке демографиялык тарыхын же мурунку бааларын колдонбой туруп, LMSтеги алгачкы мезгилдеги жүрүм-турумга гана таянып, семестр аягында тобокелдик тобунда болор-болбосун божомолдоого болобу?

Маалымат кайдан алынган?

Изилдөө The Hong Kong Polytechnic University курамындагы School of Professional Education and Executive Development чөйрөсүндө жүргүзүлгөн.

Маалымат топтому төрт академиялык бөлүмдөгү курстарды камтыйт:

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

2023–2024 окуу жылынын экинчи семестриндеги 236 бакалаврдык курс изилдөөгө киргизилген. Курстар бетме-бет, онлайн жана гибриддик окутуу формаларын, ошондой эле экзамени бар жана жок ар түрдүү баалоо түзүмдөрүн камтыйт.

Blackboard студенттик активдүүлүк журналдарынан 1,7 миллиондон ашык жазуу алынган.

Студенттин Көп Басышы Анын Ийгиликтүү Болоорун Билдиреби?

Жок. Макаланын маанилүү жыйынтыктарынын бири да ушул.

Ар башка курстарда LMSти колдонуу формалары кескин айырмалангандыктан, чийки активдүүлүк көрсөткүчтөрү менен курс бааларынын ортосундагы корреляциялар жалпысынан төмөн. Мисалы, айрым курстарда студенттер материалдын маанилүү бөлүгүн бетме-бет өздөштүрүшү мүмкүн; башка курста болсо дээрлик бардык активдүүлүк Blackboard аркылуу аткарылышы мүмкүн.

Ошондуктан “көбүрөөк басуу = жогорку жетишкендик” деген универсалдуу эреже түзүү туура эмес.

Макаланын 14. бетиндеги салыштыруулар төрт академиялык бөлүмдүн баарында чийки LMS өзгөчөлүктөрү менен баалардын ортосундагы корреляциялар төмөн экенин көрсөтөт. Мисалы, платформага кирген күндөрдүн саны менен курс баасынын ортосундагы корреляция болжол менен 0,142–0,203 аралыгында өзгөрөт, ал эми айрым басуу интенсивдүүлүгүнүн өзгөрмөлөрүндө терс маанилер да кездешет.

Ошол эле бетте студенттик активдүүлүктү баа категориялары боюнча көрсөткөн график, тескерисинче, жогорку баа алган студенттер системага көбүрөөк кирүүгө, көбүрөөк сессия өткөрүүгө жана көбүрөөк өз ара аракеттенүүгө ыктаарын көрсөтөт.

Бул эки жыйынтык бири-бирине каршы келбейт. Жалпы жүрүм-турум үлгүсү бар; бирок чийки сандардын мааниси ар бир курстун өз түзүмүнө байланыштуу.

Rank-Based Engagement Өзгөчөлүктөрү Деген Эмне?

Изилдөөчүлөр сунуштаган чечим студенттин абсолюттук LMS активдүүлүгүн эмес, ошол эле курстагы башка студенттерге салыштырмалуу салыштырмалуу ордун эсептөө болуп саналат.

Ошентип, студенттин “20 жолу кирди” деген маалыматынан көрө, өз курсундагы студенттердин маанилүү бөлүгүнө караганда көбүрөөк же азыраак өз ара аракеттенгени тууралуу маалымат колдонулат.

Бул өзгөртүү курстар арасындагы LMSти колдонуу интенсивдүүлүгүнүн айырмасын жарым-жартылай стандартташтырууну көздөйт.

Эмне үчүн убакыт өзүнчө ишенимдүү эмес?

Изилдөөчүлөр өзгөчө LMSте өткөрүлгөн жалпы убакыт көйгөйлүү болушу мүмкүн экенин белгилешет.

Студент Blackboard'да файлды ачып, компьютерин күйгүзүлгөн бойдон калтырышы мүмкүн. Система узак кирүү убактысын каттаса да, студент материал менен чындап өз ара аракеттенбей жаткан болушу мүмкүн.

Ошондуктан изилдөөчүлөр убакытка гана таянбай, Index өзгөрмөсүндө кирген күндөрдүн санын, сессиялардын санын жана жалпы басууларды бириктиришкен.

Системага такыр кирбеген студенттер эмне болот?

Rank негизиндеги ыкманын дагы бир артыкчылыгы — алгачкы апталарда Blackboard'га такыр кирбеген студенттер маалымат топтомунан жоголуп кетпейт.

Чийки өзгөчөлүктөр ыкмасында активдүүлүк жазуусу жок студент айрым талдоолордо жетишпеген маани себептүү сыртта калышы мүмкүн. Бул изилдөөдө мындай студенттер өз курсундагы эң төмөн rank маанисине жайгаштырылып, маалымат топтомунда сакталат.

Эрте эскертүү системалары үчүн бул өзгөчө маанилүү; анткени LMSте эч кандай активдүүлүк көрсөтпөө өзү мүмкүн болгон катышуудан алыстоонун белгиси болушу мүмкүн.

“Купуялуулукту Эске Алган” Деген Түшүнүк Чынында Эмнени Билдирет?

Изилдөө студенттердин:

• жынысын,
• жашын,
• социалдык-экономикалык абалын,
• мурунку академиялык тарыхын,
• эски GPA же баа жазууларын

божомол моделинин киргизүү маалыматы катары колдонбойт.

Негизги маалымат булагы — студенттин LMS ичиндеги жүрүм-туруму.

Ошондуктан бул ыкма көптөгөн билим берүү божомол системаларына караганда азыраак жеке маалымат колдонот жана маалыматты минималдаштыруу принцибине жакыныраак.

Бирок бул жерде маанилүү терминологиялык чек бар. Макаланын өзү да LMS жүрүм-турум маалыматтары адамды потенциалдуу түрдө аныктоого мүмкүндүк бериши мүмкүн экенин моюнга алат.

Демек, бул жерде колдонулган “privacy-conscious” деген түшүнүк:

“Студенттин купуялуулугуна математикалык кепилдик берген система” дегенди билдирбейт.

Изилдөөдө differential privacy же federated learning сыяктуу formal privacy-preserving механизмдер колдонулган эмес. Авторлор өз ыкмасын аларга салыштырмалуу жөнөкөй жана мекемелик деңгээлде ишке ашырууга ыңгайлуу маалыматты минималдаштыруу альтернативасы катары жайгаштырышат.

Тобокелдик Тобундагы Студент Кантип Аныкталды?

Студенттер семестр аягындагы курс баалары боюнча үч класска бөлүнгөн:

Тобокелдик тобундагы студенттер жалпы маалымат топтомунун болжол менен %5'ин түзөт.

Бул катыш машиналык үйрөнүүдө маанилүү көйгөй жаратат: модель көпчүлүк топту гана божомолдоп, сыртынан жогоркудай көрүнгөн тактык бере алат.

SMOTE Эмне Үчүн Колдонулду?

Маалымат топтомунда тобокелдик тобундагы да, өтө жогорку жетишкендик көрсөткөн да студенттер көпчүлүккө салыштырмалуу аз. Бул абал класстардын тең салмаксыздыгы деп аталат.

Изилдөөчүлөр бул көйгөйдү азайтуу үчүн Synthetic Minority Over-sampling Technique, башкача айтканда, SMOTE колдонушкан.

SMOTE аз сандагы класстын бар болгон мисалдарын жөн гана көчүрбөстөн, ошол мисалдардын өзгөчөлүктөрүнөн жаңы синтетикалык окутуу мисалдарын жаратат.

Методологиялык жактан маанилүү жагы мындай: изилдөөчүлөр алгач окутуу жана тест маалыматтарын бөлүп, SMOTEну окутуу топтомуна гана колдонушкан.

Муну менен синтетикалык түзүлгөн мисалдардын тест топтомуна өтүп кетип, модель көрсөткүчүн жасалма түрдө жогорулатып жиберишинин алдын алууга аракет кылынган.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Колдонулган моделдер

Изилдөөдө үч негизги модель колдонулган:

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

Регрессия моделдери студенттин жетишкендигин үзгүлтүксүз маани катары божомолдоо үчүн салыштырылган. Random Forest Regressor сызыктуу регрессияга салыштырмалуу жогору R² жана төмөн орточо квадраттык ката көрсөткөн.

Бирок изилдөөнүн негизги көңүлү регрессияда эмес, студенттерди үч жетишкендик категориясына бөлгөн Random Forest классификациясында.

Өзгөчөлүктөр кантип тандалды?

Моделде колдонулушу мүмкүн болгон өзгөрмөлөр SelectKBest ыкмасы менен бааланган.

Макаланын 17. бетиндеги SelectKBest үлгүлүк чыгышы жана андан кийинки салыштыруу rank негизиндеги өзгөчөлүктөр чийки LMS өзгөчөлүктөрүнө караганда жалпысынан жогору тандоо баллын алганын көрсөтөт.

Макаланын 18. бетиндеги графикте да окуу аптасы өткөн сайын rank негизиндеги өзгөчөлүктөрдүн тандалуу үлүшү чийки өзгөчөлүктөргө караганда кыйла жогору бойдон калганын көрүүгө болот.

Ошондуктан кийинки негизги божомол моделдеринде rank негизиндеги өзгөчөлүктөргө артыкчылык берилген.

Биринчи тест: чоң курстар

Биринчи жетишкендик баалоосу экзамени бар жана класстын көлөмү 80'ден жогору болгон 16 чоң курста жүргүзүлгөн.

Бул чакан үлгү 2341 студентти камтыйт.

Маалымат студент деңгээлинде катмарланган түрдө %70 окутуу жана %30 тест топтомуна бөлүнгөн; бир эле студентке тиешелүү маалымат эки тарапка тең бөлүнүп кетпешине көңүл бурулган. Окутуу бөлүгүндө беш катмарлуу кайчылаш текшерүү колдонулган жана SMOTE окутуу маалыматтарына гана колдонулган.

Бул биринчи классификацияда rank негизиндеги өзгөчөлүктөр колдонулганда Random Forest Classifier моделинин тактыгы да, F1 көрсөткүчү да %80'ден жогору болгон.

Модель бардык 236 курска кантип кеңейтилди?

Ар кандай курстарда студенттердин жүрүм-туруму гана эмес, окутуу жана баалоо түзүмдөрү да айырмаланат. Ошондуктан изилдөөчүлөр беш rank негизиндеги өзгөрмөгө үч курс контексти өзгөрмөсүн кошушкан:

• EXAM: курста экзамен бар же жок экендиги,
• MODE: бетме-бет, онлайн же гибриддик окутуу,
• DIVISION: курс тиешелүү болгон академиялык бөлүм.

Ошентип, негизги моделде жалпысынан сегиз киргизүү колдонулган.

Үчүнчү Аптада %90'дан Жогору Божомол Чындап Алындыбы?

Ооба; бул изилдөөнүн өзүнүн тест түзүмүндө бардык 236 курсту камтыган Random Forest классификациясынын тактык жана F1 көрсөткүчтөрү үчүнчү окуу аптасынан тартып %90'дан жогору чыккан.

Булактагы 6-таблица изилдөөнүн жалпы жетишкендик диапазонун болжол менен %87–93 тактык деп жыйынтыктайт.

Макаланын 22. бетинде бардык 236 курсту камтыган график да биринчи аптадан үчүнчү аптага чейин көрсөткүч тез жогорулап, андан кийин %90'дан жогору калган ийри сызыкты көрсөтөт.

Бул жыйынтык академиялык тобокелдикти эрте аныктоо финалдык баалар же семестр аягындагы экзамендер пайда боло электе жүргүзүлүшү мүмкүн экенин көрсөтөт.

Эмне үчүн алгачкы эки апта начарыраак?

Мекеменин академиялык календарында алгачкы эки апта курс кошуу жана таштоо мезгили болуп саналат.

Студенттер курсту өзгөртө алгандыктан же каттоосу али тактала элек болгондуктан:

• LMS өз ара аракеттенүү жазуулары азыраак,
• класс тизмелери дагы эле өзгөрүүдө,
• студенттин жүрүм-турум үлгүсү жетиштүү калыптана элек.

Үчүнчү апта болсо расмий каттоо эсептөө чекити болуп саналат. Изилдөөчүлөр алгачкы эки аптадагы төмөн көрсөткүч ушул контекстке байланыштуу болушу мүмкүн экенин белгилешет.

Чоң класстарда модель эмне үчүн бир аз күчтүүрөөк?

Жыйынтыктар чоң курстарда божомолдоо көрсөткүчү орто жана чакан курстарга салыштырмалуу жалпысынан жогору экенин көрсөтөт.

Изилдөөчүлөр мунун мүмкүн болгон себептеринин бири чоң класстардагы баалардын бөлүштүрүлүшү тартиптүүрөөк жана нормалдуу бөлүштүрүүгө жакыныраак болушу мүмкүн деп божомолдошот.

Чакан класстарда бир нече студенттин өзгөчө жүрүм-туруму эле бөлүштүрүүнүн түзүмүн көбүрөөк өзгөртүп, rank негизиндеги өзгөчөлүктөр менен акыркы баалардын ортосундагы байланышты татаалыраак кылып көрсөтүшү мүмкүн.

Бул түшүндүрмө изилдөөнүн чечмелөөсү; класстын көлөмү жетишкендик айырмасына түздөн-түз себеп болору эксперименталдык түрдө текшерилген эмес.

At-risk студенттер көпчүлүк болбосо да модель аларды таба алабы?

Макаланын 23. жана 24. беттериндеги класс боюнча precision, recall жана F1 графиктеринде тобокелдик тобундагы жана жогорку жетишкендик көрсөткөн азчылык класстардын жыйынтыктары көпчүлүк апталарда көпчүлүктү түзгөн “кадимки” класстан төмөн эмес; ал тургай precision жана F1 боюнча жогору көрүнөт.

Авторлор муну SMOTE колдонулгандан кийин модель азчылык класстар үчүн чечим чек араларын жакшыраак үйрөнүшү менен байланыштырышат.

Бул жыйынтык класстардын тең салмаксыздыгы көйгөйү бул маалымат топтомунда олуттуу деңгээлде көзөмөлдөнгөнүн билдирсе да, башка университеттерде дал ушундай үлгү сөзсүз кайталанат дегенди билдирбейт.

Модель Студенттин Ийгиликсиз Болушунун Алдын Алабы?

Жок; бул изилдөө муну текшерген эмес.

Модель студентти эрте мезгилде тобокелдик категориясына бөлө алат. Бирок божомолдон кийин:

• студентке кеңеш берүү,
• жекелештирилген кайтарым байланыш жөнөтүү,
• окуу колдоо кызматына багыттоо,
• ыңгайлаштырылуучу материал берүү

сыяктуу чаралар студенттин жетишкендигин чындап жогорулатабы же жокпу, бул изилдөөнүн эксперименталдык чөйрөсүнө кирбейт.

Ошондуктан авторлор системаны акыркы чечим катары эмес, проактивдүү студенттик колдоону баштай ала турган эрте эскертүү инфраструктурасы катары жайгаштырышат.

Дисциплиналар Аралык Жалпылоо Канчалык Далилденди?

Изилдөө бир эле курс эмес, 236 ар башка курс, төрт академиялык бөлүм, ар түрдүү класс көлөмдөрү, ар түрдүү баалоо формалары жана бетме-бет/онлайн/гибриддик окутуу чөйрөлөрүн камтыгандыктан, көптөгөн окуу аналитикасы изилдөөлөрүнө салыштырмалуу ички ар түрдүүлүгү кыйла кең.

Rank негизиндеги өзгөчөлүктөрдүн негизги максаты да ушул гетерогендүүлүккө туруктуу болуу.

Бирок бардык маалыматтар бир эле университет системасынан алынган.

Демек, бул жерде көрсөтүлгөн нерсе:

Бир мекеменин ичиндеги өтө ар түрдүү дисциплина жана курс түзүмдөрүндө иштеген модель.

Башка өлкөлөрдө, ар башка LMS системаларында же башка студенттик популяцияларда ошол эле тактык деңгээли сакталары бул макала менен азырынча ырасталган эмес.

Ошондуктан “cross-disciplinary generalizability” — күчтүү изилдөө ичиндеги жыйынтык; ал эми “cross-institutional generalizability” келечекте өзүнчө ырасталышы керек болгон маселе.

Изилдөө колдогон жыйынтыктар

• Чийки LMS активдүүлүк көрсөткүчтөрү өтө айырмалуу курстар арасында түз салыштырылганда божомолдоо күчү төмөндөшү мүмкүн.
• Курс ичиндеги салыштырмалуу рейтингге негизделген өзгөчөлүктөр гетерогендүү курстар арасында туруктуураак жүрүм-турум көрсөткүчтөрүн түзүшү мүмкүн.
• Random Forest классификациясы бул маалымат топтомунда күчтүү натыйжа көрсөткөн.
• Бардык 236 курста колдонулган модель үчүнчү аптадан тартып %90'дан жогору тактык жана F1 көрсөткүчүн чыгарган.
• Демографиялык жана мурдагы академиялык маалыматтарды колдонбостон күчтүү эрте божомол мүмкүн.
• Курс режими, экзамендин болушу жана академиялык бөлүм сыяктуу контекст өзгөрмөлөрүн кошуу божомолдоо көрсөткүчүн жогорулаткан.
• SMOTE колдонулгандан кийин азчылык жетишкендик класстары модель тарабынан күчтүү айырмаланган.

Изилдөө колдобогон жыйынтыктар

• Модель студенттердин ийгиликсиз болушун азайтары далилденген эмес.
• Эрте эскертүү студенттердин окууну улантуусун же бүтүрүү көрсөткүчүн жогорулатары эксперименталдык түрдө көрсөтүлгөн эмес.
• Модель башка университеттерде да ошол эле %90+ көрсөткүчтү бере турганы ырасталган эмес.
• LMS активдүүлүгү студенттин чыныгы үйрөнүүсүн толук өлчөйт деп айтууга болбойт.
• Blackboard'ду көбүрөөк колдонуу өзү эле жогорку жетишкендикке себеп болот деген тыянак чыгарууга болбойт.
• Система formal differential privacy же federated learning кепилдигин бербейт.

Эң маанилүү чектөөлөр

Биринчи чектөө: LMS жазууларынын деталдуулук деңгээли. Blackboard студент файлды ачканын көрсөтө алат; бирок ал чындап окуган-окубаганын же файлды ачык калтырып башка иш кылган-кылбаганын так көрсөтпөйт.

Экинчи чектөө: баалоо маалыматтарынын деталдуулук деңгээли. Мекемелик баа таблицалары “тест”, “тапшырма” же “топтук долбоор” сыяктуу жогорку деңгээлдеги категорияларды берет. Тест канча бөлүктөн турары же тапшырма онлайн, убактысы чектелген же үйдө аткарылуучу иш экендиги сыяктуу деталдар моделде жок.

Үчүнчү чектөө: мекемелер аралык тышкы текшерүү жок. Маалымат көп дисциплиналуу болгону менен бир эле университет түзүмүнөн алынган.

Төртүнчү чектөө: жүрүм-турум изи үйрөнүүнүн өзү эмес. Басуулар, сессиялар жана платформадагы убакыт үйрөнүүнүн санарип издерин гана көрсөтөт; студенттин түшүнүүсү, мотивациясы же офлайн окуу убактысы түз өлчөнбөйт.

Бешинчи чектөө: купуялуулук кепилдиги чектелүү. Демографиялык маалыматтарды колдонбоо купуялуулук жагынан артыкчылык берет; бирок LMS жазууларынын өзү да жеке жүрүм-турум маалыматы болуп саналат.

Келечектеги изилдөөлөр эмнени текшериши керек?

Авторлор келечекте кеңири деталдуу LMS окуя жазууларын колдонууну сунушташат. Студент кайсы мазмунду жөн гана ачканы, кайсынысы менен активдүү иштегени жана сессия ичиндеги жүрүм-турум кандай өнүккөнү кеңири өлчөнсө, божомолдордун педагогикалык мааниси күчөшү мүмкүн.

Ошондой эле тапшырма жана экзамен түзүмдөрүн кененирээк каттоо ар башка баалоо дизайндарыменен LMS жүрүм-турумунун ортосундагы байланышты изилдөөгө мүмкүндүк берет.

Эң маанилүү кийинки кадам — божомолдон кийин чыныгы кийлигишүүнү текшерүү. Мисалы:

• эрте кеңеш берүү,
• жекелештирилген кайтарым байланыш,
• окуу колдоо кызматына багыттоо,
• ыңгайлаштырылуучу окуу материалы

колдонулганда тобокелдик тобундагы студенттердин чыныгы академиялык жыйынтыктары өзгөрөбү же жокпу, көзөмөлдөнгөн изилдөөлөр менен бааланууга тийиш.

Булак жана Ыкма Жөнүндө Эскертүү

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

Авторлор: Hon-Sun Chiu, Adam Wong жана Tung-Lok Wong

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

Журнал: Education Sciences

Жыл / Том / Макала: 2026; 16; 1046.

Жарыяланган күнү: 1 июль 2026.

DOI: 10.3390/educsci16071046

Расмий булак:https://doi.org/10.3390/educsci16071046

Лицензия: Creative Commons Attribution (CC BY).

Изилдөөнүн түрү: Жогорку билим берүүдө окуу аналитикасы жана машиналык үйрөнүүгө негизделген эрте тобокелдикти божомолдоо изилдөөсү.

Маалымат мезгили: 2023–2024 окуу жылынын экинчи семестри.

Курстардын саны: 236.

Академиялык бөлүм: Төрт.

LMS: Blackboard.

LMS жазууларынын масштабы: 1,7 миллиондон ашык студенттик өз ара аракеттенүү жазуусу.

Тобокелдик аныктамасы: Семестр аягындагы курс баасы C− же андан төмөн болушу; маалымат топтомунун болжол менен %5'и.

Негизги модель: Random Forest Classifier.

Көмөкчү моделдер: Random Forest Regressor жана Multiple Linear Regression.

Негизги өзгөчөлүк инженериясы: Студенттердин өз курстарындагы LMS колдонуусуна жараша rank негизиндеги Days, Sessions, Total Time жана Total Clicks өзгөрмөлөрү жана курамдуу Index.

Курс контексти өзгөрмөлөрү: EXAM, MODE жана DIVISION.

Класстардын тең салмаксыздыгынын ыкмасы: SMOTE; train-test бөлүүдөн кийин окутуу маалыматтарына гана колдонулган.

Негизги жетишкендик жыйынтыгы: Бардык 236 курстагы классификацияда тактык жана F1 көрсөткүчү үчүнчү окуу аптасынан тартып %90'дан жогору экени билдирилген.

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

Этика кеңеши: Макалада Institutional Review Board Statement “Not applicable” деп көрсөтүлгөн.

Маалымдалган макулдук: “Not applicable” деп көрсөтүлгөн.

Маалыматка жетүү: Маалымат топтому купуялуулук жана этикалык чектөөлөрдөн улам ачык бөлүшүлбөйт.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышын билдиришкен эмес. Каржылоочунун изилдөө дизайнында, маалымат чогултууда, талдоодо, чечмелөөдө, макаланы жазууда же жарыялоо чечиминде ролу болбогону көрсөтүлгөн.

Жасалма интеллектти колдонуу жөнүндө билдирүү: Авторлор макаланы даярдоодо Microsoft Copilot версия 1.25054.80.0'ду proofreading максатында гана колдонушканын, чыгыштарды карап чыгып түзөтүшкөнүн жана жарыяланган мазмун үчүн жоопкерчиликти өздөрүнө аларын билдиришкен.

Негизги купуялуулук эскертүүсү: Изилдөө демографиялык жана мурдагы академиялык маалыматтарды модель киргизүүсү катары колдонбойт. Ошого карабастан LMS жүрүм-турум жазуулары адамды потенциалдуу аныктоого мүмкүндүк бере алгандыктан, ыкма “privacy-conscious” деп бааланууга тийиш; formal privacy-preserving технологиясын камтыйт деп чечмеленбеши керек.

Негизги жалпылоо эскертүүсү: Модель бир мекеменин ичиндеги 236 гетерогендүү курс жана төрт академиялык бөлүмдө сыналган. Башка университеттерде жана LMS чөйрөлөрүндө көз карандысыз тышкы текшерүү бул изилдөөнүн алкагында жүргүзүлгөн эмес.

Verianla кайра түзүмдөө эскертүүсү: Бул мазмун булак макаланын кыргызча толук котормосу эмес. Макаланын маалымат түзүмү, модель архитектурасы, текшерилүүчү жетишкендик жыйынтыктары, этикалык мамилеси жана чектөөлөрү илимий маалымат деңгээлинде бөлүнүп чыгып, Verianla үчүн көз карандысыз жана түшүндүрмө берүүчү кыргызча баяндоонун ичинде кайра түзүмдөлгөн. Булак графиктери жана экран сүрөттөрү визуалдык түрдө көчүрүлгөн эмес, зарыл илимий байланыштар жаңы түшүндүрмөлөр жана HTML таблицалары менен берилген.