Candidate of Pedagogic Sciences, Associate Professor, Institute of Digital Technologies
кандидат педагогических наук, доцент, Институт цифровых технологий
Candidate of Engineering Sciences, Associate Professor, Institute of Digital Technologies
кандидат технических наук, доцент, Институт цифровых технологий
Problem statement. In the context of mass higher education, there is an urgent need for individualization of education and timely identification of student groups with different educational needs and risks. Existing methods of pedagogical analysis often do not allow effective segmentation of a diverse contingent of students based on multidimensional data on their academic performance and behavior, which makes it difficult to develop targeted support measures and build individual educational trajectories. Methodology. To solve this problem, applied and tested a tool based on the modified algorithm for self-organizing Kohonen maps (SOM) integrated with a cellular automaton and the quantile measure of dispersion. The study was conducted on the data of 400 students, which included academic and behavioral indicators that were previously standardized. Results. The algorithm has shown high efficiency in the automated identification of stable student groups with similar profiles, such as “at-risk students”, “motivated students” and “students with imbalance of attendance and academic performance”. The clustering quality is confirmed by the silhouette index (0.62), which exceeds the results of traditional methods, and by the visual representation of the results as well. Conclusion. The proposed approach provides teachers and the administration with an objective basis for meaningful interpretation of the data, the development of differentiated pedagogical strategies and the construction of individual educational trajectories aimed at improving the effectiveness of the educational process and reducing academic risks.
Постановка проблемы. В условиях массового высшего образования возникает острая необходимость в индивидуализации обучения и своевременном выявлении групп студентов с различными образовательными потребностями и рисками. Существующие методы педагогического анализа часто не позволяют эффективно сегментировать разнородный контингент обучающихся на основе многомерных данных об их успеваемости и поведении, что затрудняет разработку адресных мер поддержки и построение индивидуальных образовательных траекторий. Методология. Для решения данной проблемы был применен и апробирован инструмент, основанный на модифицированном алгоритме самоорганизующихся карт Кохонена (Self-Organizing Map, SOM), интегрированном с клеточным автоматом и квантильной мерой дисперсии. Исследование проведено на данных 400 студентов, включавших академические и поведенческие показатели, которые были предварительно стандартизированы. Результаты. Алгоритм показал высокую эффективность в автоматизированном выявлении устойчивых групп студентов со схожими профилями, таких как «студенты группы риска», «мотивированные студенты» и «студенты с дисбалансом посещаемости и успеваемости». Качество кластеризации подтверждено индексом силуэта (0,62), превышающим результаты традиционных методов, а также наглядным представлением результатов. Заключение. Предложенный подход предоставляет педагогам и администрации объективное основание для содержательной интерпретации данных, разработки дифференцированных педагогических стратегий и построения индивидуальных образовательных траекторий, направленных на повышение эффективности учебного процесса и снижение академических рисков.