Поведінкові моделі оцінювання успішності студентів у смарт-класах

Скорочена інформація про документ
dc.contributor.advisorКузнєцова, Наталія Володимирівна
dc.contributor.authorТкач, Вікторія Степанівна
dc.date.accessioned2026-02-03T13:53:28Z
dc.date.available2026-02-03T13:53:28Z
dc.date.issued2025
dc.description.abstractМагістерська дисертація: 125 c., 14 рис., 31 табл., 1 додаток, 56 джерел. Об’єкт дослідження: прогнозування успішності студентів у смарткласах. Предмет дослідження: методи машинного навчання, моделі виживання для аналізу успішності студентів у смарт-класах. Мета дослідження: аналіз поведінкових даних студентів та прогнозування їхньої залученості й ризику відтоку у смарт-класі з використанням методів машинного навчання та моделей виживання. Використані методи: логістична регресія, градієнтний бустинг, дерева рішень, наївний Байєсівський класифікатор, метод опорних векторів з RBFядром, модель Каплана-Майєра, модель Кокса та модель прискореного часу до події Вейбулла. Актуальність дослідження: потреба навчальних закладів забезпечувати вищу якість освітнього процесу в умовах зростання вимог до результатів навчання. Для цього потрібно вчасно виявляти студентів, які можуть втратити зацікавленість або зіткнутися з труднощами у навчанні. Саме тому поведінковий аналіз і прогнозування відтоку стають важливими інструментами для прийняття своєчасних педагогічних рішень. Отримані результати: побудовано та порівняно поведінкові моделі прогнозування успішності студентів у смарт-класі. Застосування методів дозволило визначити ключові поведінкові чинники ризику та встановити часові інтервали, у яких він зростає найбільше. Подальші дослідження будуть спрямовані на розширення набору поведінкових ознак шляхом використання мультимодальних даних та сенсорних сигналів смарт-класів.
dc.description.abstractotherMaster`s Thesis: 125 p., 14 fig., 31 tabl., 1 appendix, 56 references. Object of research: predicting student performance in smart classrooms. Subject of research: machine learning methods and survival models for analyzing student performance in smart classrooms. Research goal: to analyze students’ behavioral data and predict their engagement and churn risk in a smart classroom using machine learning methods and survival models. Methods used: logistic regression, gradient boosting, decision trees, Naive Bayes classifier, support vector machine with RBF kernel, Kaplan–Meier model, Cox proportional hazards model, and Weibull accelerated failure time model. Relevance of the research: educational institutions need to ensure higher quality of the learning process amid increasing demands for learning outcomes. This requires timely identification of students who may lose interest or face difficulties. Therefore, behavioral analysis and dropout prediction become crucial tools for making timely pedagogical decisions. Results obtained: behavioral models for predicting student performance in smart classrooms were developed and compared. The application of machine learning methods and survival models made it possible to identify key behavioral risk factors and determine the time intervals during which the risk increases most significantly. Future work will focus on expanding the set of behavioral features through the use of multimodal data and sensor signals from smart classrooms.
dc.format.extent125 с.
dc.identifier.citationТкач, В. С. Поведінкові моделі оцінювання успішності студентів у смарт-класах : магістерська дис. : 124 Системний аналіз / Ткач Вікторія Степанівна. – Київ, 2025. – 125 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78621
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectсмарт-клас
dc.subjectповедінкові дані
dc.subjectмашинне навчання
dc.subjectмоделі виживання
dc.subjectпрогнозування відтоку.
dc.subjectsmart classroom
dc.subjectbehavioral data
dc.subjectmachine learning
dc.subjectsurvival models
dc.subjectdropout prediction
dc.subject.udc004.8:519.2
dc.titleПоведінкові моделі оцінювання успішності студентів у смарт-класах
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Tkach_magistr.pdf
Розмір:
2.04 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ММСА)
Магістерські роботи