- Main
- Conference
- Psychological and Pedagogical Research – Tula Regi...
- ON THE APPLICATION OF AN INTELLIGENT DIGITAL MONIT...
ON THE APPLICATION OF AN INTELLIGENT DIGITAL MONITORING SYSTEM FOR FORECASTING AND ANALYZING STUDENTS' ACADEMIC PERFORMANCE
Proceeding


- 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"
- APA
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
- ВКонтакте
- РћРТвЂВВВВВВВВнокласснРСвЂВВВВВВВВРєРСвЂВВВВВВВВ
- РњРѕР№ Р В Р’В Р РЋРЎв„ўР В Р’В Р РЋРІР‚ВВВВВВВВРЎР‚
DOI: 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.
Keywords
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. 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. 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. 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. 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. 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. 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. 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. 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. 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. Gray C.C., Perkins D. Utilizing early engagement and machine learning to predict student outcomes. Computers & Education, 2019, vol. 131, pp. 22–32.
- 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. 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. 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
Documents
Full text (RUS)
663.62KbLinks
Digest
https://phsreda.com/en/action/10474/infoExport citation
BibTex
.bib
Comments(0)