Застосування методів машинного навчання  в адаптивній системі оцінювання знань студентів

Антон  Тимошенко; Дмитро  Лисенко

doi:10.25140/2411-5363-2026-1(43)-254-268

Автор(и)

Антон Тимошенко Національний університет «Чернігівська політехніка», Україна
Дмитро Лисенко Національний університет «Чернігівська політехніка», Україна https://orcid.org/0000-0001-6870-6120

DOI:

https://doi.org/10.25140/2411-5363-2026-1(43)-254-268

Ключові слова:

адаптивне навчання, машинне навчання, стекінг, освітня аналітика, класифікація знань, поведінкові ознаки, ensemble learning

Анотація

У статті розглянуто проблему неефективності традиційних методів оцінювання знань у вищій освіті та запропоновано концепцію адаптивної системи оцінювання на основі алгоритмів машинного навчання. Представлено архітектуру рішення – стекінговий ансамбль із моделей RandomForest, XGBClassifier та LogisticRegression з RidgeClassifier, як мета моделлю. Описано алгоритм поетапної обробки даних: збір результатів тестів та логів активності з LMS, інженерію поведінкових та когнітивних ознак, нормалізацію, тренування моделей та їх валідацію. Проведено дослідження на синтетичних (N = 150) та реальних (N = 300) даних; отримано accuracy = 0,93 (синт.), accuracy = 0,90 (реальн.), ROC-AUC ≥ 0 ,98, матриці плутанини й 3D-візуалізацію кластерів. Наведено аналіз переваг і обмежень моделі, обґрунтовано перспективи інтеграції в LMS та подальших експериментів на великих наборах даних.

Посилання

Romero, C., & Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601–618. https://doi.org/10.1109/tsmcc.2010.2053532.

Pan, Z., Biegley, L., Taylor, A., & Zheng, H. (2024). A systematic review of learning analytics. Journal of Learning Analytics, 1–21. https://doi.org/10.18608/jla.2023.8093.

Mampadi, F., Chen, S. Y., Ghinea, G., & Chen, M.-P. (2011). Design of adaptive hypermedia learning systems: A cognitive style approach. Computers & Education, 56(4), 1003–1011. https://doi.org/10.1016/j.compedu.2010.11.018.

Ifenthaler D., Yau J. Y.-K. (2020). Utilising learning analytics to support study success in higher education: A systematic review. Educational Technology Research and Development, 68(4), 1961–1990. https://doi.org/10.1007/s11423-020-09788-z.

Breiman L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/ A:1010933404324.

Chen T., Guestrin C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785.

Hansen L. K., Salamon P. (1990). Neural network ensembles. IEEE Transactions on Pattern Analysis and Machine Intelligence, 12(10), 993–1001. https://doi.org/10.1109/34.58871.

Baker R. S. (2010). Data mining for education. International Encyclopedia of Education, 7, 112–118.

Siemens G., Long P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 30–40. https://er.educause.edu/articles/2011/9/penetrating-the-fog-analytics-in-learning-and-education.

Kotsiantis S. B. (2012). Use of machine learning techniques for educational purposes: a decision support system for forecasting students’ grades. Artificial Intelligence Review, 37(4), 331–344. https://doi.org/10.1007/s10462-011-9245-x.

Bousbia N., Gheffar A., Balla A. (2015). Adaptation based on navigation type and learning style. In Advances in Web-Based Learning – ICWL 2013 Workshops: USL 2013, IWSLL 2013, KMEL 2013, IWCWL 2013, WIL 2013, and IWEEC 2013, Kenting, Taiwan, October 6-9, 2013, Revised Selected Papers (pp. 23–31). https://doi.org/10.1007/978-3-662-46315-4_3.

D’Mello S. K., Graesser A. C. (2012). AutoTutor and affective autotutor: Learning by talking with cognitively and emotionally intelligent computers that talk back. ACM Transactions on Interactive Intelligent Systems, 2(4), 23:1–23:39. https://doi.org/10.1145/2395123.2395128.

Pardos Z. A., Heffernan N. T. (2011). Using HMMs and bagged decision trees to leverage rich features of user and skill from an intelligent tutoring system dataset. Journal of Machine Learning Research: Workshop and Conference Proceedings, 12, 317–348. https://jmlr.org/papers/v12/pardos11a.html.

Shahiri A. M., Husain W., Rashid A. N. (2015). A review on predicting student’s performance using data mining techniques. Procedia Computer Science, 72, 414–422. https://doi.org/10.1016/ j.procs.2015.12.105.

Koedinger K. R., Kim J., Jia J. Z., McLaughlin E. A., Bier N. L. (2015). Learning is not a spectator sport: Doing is better than watching for learning from a MOOC. Proceedings of the Second (2015) ACM Conference on Learning @ Scale, 111–120. https://doi.org/10.1145/2724660.2724671.

Papamitsiou Z., Economides A. A. (2014). Learning analytics and educational data mining in practice: A systematic literature review of empirical evidence. Educational Technology & Society, 17(4), 49–64. https://www.j-ets.net/ETS/journals/17_4/1.pdf.

Kizilcec R. F., Halawa S. (2015). Attrition and achievement gaps in online learning. Proceedings of the Second ACM Conference on Learning @ Scale, 57–66. https://doi.org/10.1145/ 2724660.2724680.

Хижняк А. В., Пріла О. А. (2025). Розробка системи автоматизованої генерації та перевірки параметризованих практичних завдань. Технічні науки та технології, 2(40), 221–233. https://doi.org/10.25140/2411-5363-2025-2(40)-221-233.