ON THE APPLICATION OF AN INTELLIGENT DIGITAL MONITORING SYSTEM FOR FORECASTING AND ANALYZING STUDENTS' ACADEMIC PERFORMANCE

Proceeding
DOI: 10.31483/r-106946
Open Access
Regional Scientific-Practical Conference «Psychological and Pedagogical Research – Tula Region»
Creative commons logo
Published in:
Regional Scientific-Practical Conference «Psychological and Pedagogical Research – Tula Region»
Author:
Svetlana S. Brazhnikova 1
Work direction:
Psychological and Pedagogic Aspects of Control in Educational System
Pages:
335-341
Received: 23 May 2023

Rating:
Article accesses:
1114
Published in:
РИНЦ
1 FGBOU VO "Kurskii gosudarstvennyi universitet"
For citation:
Brazhnikova S. S. (2023). ON THE APPLICATION OF AN INTELLIGENT DIGITAL MONITORING SYSTEM FOR FORECASTING AND ANALYZING STUDENTS' ACADEMIC PERFORMANCE. Psychological and Pedagogical Research – Tula Region, 335-341. Чебоксары: PH "Sreda". https://doi.org/10.31483/r-106946

Abstract

The article considers current aspects of intelligent digital monitoring systems in the context of predicting and analyzing the progress of students, presents an analysis of blended learning experiences and existing digital learning resources that enable both the collection of preliminary data to further model and predict student behavior, and to build an individual educational trajectory.

Funding Agency

Grant Number

Russian Foundation for Basic Research 91-29-14188\19
Опубликовано при поддержке гранта РФФИ №91-29-14188/19 «Совершенствование содержания общего образования на основе использования интеллектуальных систем для цифрового мониторинга образовательного процесса».

References

  1. 1. Бражникова С.С. Преимущества использования интеллектуальных систем для цифрового мониторинга в образовательных учреждениях / С.С. Бражникова // Информатизация образования и методика электронного обучения: цифровые технологии в образовании: материалы IV Международной научной конференции (Красноярск, 6–9 октября 2020 года). – В 2 ч. – Красноярск: Сибирский федеральный университет, 2020. – С. 382–385. – EDN XBJWRY.
  2. 2. Гостева И.Н. Анализ цифрового следа обучающихся с использованием технологий больших данных / И.Н. Гостева, С.С. Бражникова // Информатизация образования и методика электронного обучения: цифровые технологии в образовании: материалы IV Международной научной конференции (Красноярск, 6–9 октября 2020 года). В 2 ч. Ч. 2. – Красноярск: Сибирский федеральный университет, 2020. – С. 409–413. – EDN CICBAW.
  3. 3. Зачем раскладывать образование на навыки, и как это работает в Яндекс Учебнике // Яндекс.Учебник [Электронный ресурс]. – Режим доступа: https://teacher.yandex.ru/posts/zachem-raskladyvat-obrazovanie-na-navyki-i-kak-eto-rabotaet-v-yandeks-uchebnike (дата обращения: 21.12.2022).
  4. 4. Об утверждении федерального перечня электронных образовательных ресурсов, допущенных к использованию при реализации имеющих государственную аккредитацию образовательных программ начального общего, основного общего, среднего общего образования: Приказ Министерства просвещения РФ от 2 августа 2022 г. №653 [Электронный ресурс]. – Режим доступа: https://docs.edu.gov.ru/id3328 (дата обращения: 21.12.2022).
  5. 5. Рейтинг для школ: как и зачем оценивают образовательные учреждения // Официальный портал Мэра и Правительства Москвы: офиц. сайт [Электронный ресурс]. – Режим доступа: https://www.mos.ru/news/item/19677073/?ysclid=lcvqeef7xl331160498 (дата обращения: 21.12.2022).
  6. 6. Рубцов Г.И. Смешанное обучение: анализ: трактовок понятия / Г.И. Рубцов, Н.В. Панич // Отечественная и зарубежная педагогика. – 2016. – №5 (32) [Электронный ресурс]. – Режим доступа: https://cyberleninka.ru/article/n/smeshannoe-obuchenie-analiz-traktovok-ponyatiya (дата обращения: 15.01.2023).
  7. 7. Shahiri A.M., Husain W., A. Rashid, Rashid N. A review on predicting student’s performance using data mining techniques. Procedia Computer Science, 2015, vol. 72, pp. 414–422.
  8. 8. Mueen A., Zafar B., Zafar B., Manzoor U. Modeling and predicting students’ academic performance using data mining techniques. International Journal of Modern Education and Computer Science, 2016, vol. 8, no. 11, pp. 36–42.
  9. 9. Salah Hashim A., Akeel Awadh W., Khalaf Hamoud A. Student performance prediction model based on supervised machine learning algorithms. IOP Conference Series: Materials Science and Engineering, 2020, vol. 928, no. 3, Article ID 032019.
  10. 10. Gray C.C., Perkins D. Utilizing early engagement and machine learning to predict student outcomes. Computers & Education, 2019, vol. 131, pp. 22–32.
  11. 11. Lykourentzou I., Giannoukos I., Mpardis G., Nikolopoulos V., Loumos V. Early and dynamic student achievement prediction in e-learning courses using neural networks. J. Am. Soc. Inf. Sci. Technol. 2009, 60, 372–380.
  12. 12. Kushwaha S., Bahl S., Bagha A.K. et al. Significant applications of machine learning for covid-19 pandemic. Journal of Industrial Integration and Management, 2020, vol. 05, no. 04, pp. 453–479.
  13. 13. Yadav S.K., Pal S. Data mining: a prediction for performance improvement of engineering students using classification, 2012, vol. 2, no. 2, pp. 51–56 [Electronic resource]. – Access mode: http://arxiv.org/abs/1203.3832

Comments(0)

When adding a comment stipulate:
  • the relevance of the published material;
  • general estimation (originality and relevance of the topic, completeness, depth, comprehensiveness of topic disclosure, consistency, coherence, evidence, structural ordering, nature and the accuracy of the examples, illustrative material, the credibility of the conclusions;
  • disadvantages, shortcomings;
  • questions and wishes to author.