Обучение модели искусственного интеллекта для прогнозирования предметных образовательных результатов

Цель. Исследование направлено на выявление зависимости качества обучения в общеобразовательных организациях от когнитивных и личностных особенностей учащихся, а также параметров образовательной среды с целью разработки инструмента прогнозирования и коррекции предметных результатов.
Метод. На основе анкетирования участников образовательного процесса онлайн-школы «Дом знаний» собрана база данных объемом свыше 1,3 млн записей по 315 параметрам, из которых после фильтрации оставлено 218 значимых показателей. Для восстановления пропущенных данных применен авторский итеративный метод с использованием нейронных сетей, а для векторизации категориальных признаков предложен метод, основанный на использовании деревьев решений. Для прогнозирования предметных результатов обучения обучена искусственная нейронная сеть на данных за период с 2022 по 2023 года.
Результат. Разработана нейронная сеть, прогнозирующая предметные результаты учащихся на следующий учебный год с погрешностью менее четырех процентов. Проведено ранжирование 218 параметров по степени влияния на успеваемость и установлена количественная зависимость каждого из них от итоговой оценки. Создан пользовательский интерфейс, позволяющий родителям моделировать изменение параметров образовательной среды и личностных характеристик ребенка для достижения целевых образовательных результатов.
Вывод. Предложенный подход позволяет перейти от реактивной «натаскивающей» подготовки к государственной итоговой аттестации к проактивному управлению образовательной траекторией, обеспечивая повышение среднего балла единого государственного экзамена на 10 пунктов. Дальнейшее развитие проекта предполагает автоматизацию сбора параметров с применением технологий искусственного интеллекта.

1. Асланов Т.Г., Абидова М.Ш., Максудов М.М., Тагиров Х.Ю., Магомедов М.М. Прототип системы формирования индивидуальной траектории обучения // Вестник Дагестанского государственного технического университета. Технические науки. 2023. 50(2). С. 35-40. DOI: 10.21822/2073-6185-2023-50-2-35-40.

2. Rory J., Gray G. Prediction of student academic performance using Moodle data from a Further Education setting // Irish Journal of Technology Enhanced Learning. 2019. 5(1) P. 1-19. DOI: 10.22554/ijtel.v5i1.57.

3. Prasertisirikul P., Laohakiat S., Trakunphutthirak R., Sukaphat S. A Predictive Model for Student Academic Performance in Online Learning System // In: 2022 International Conference on Digital Government Technology and Innovation (DGTi-CON). Bangkok, Thailand. 2022. P. 76-79. DOI: 10.1109/DGTi-CON53875.2022.9849205.

4. Ефремов С.К., Нестеренко И.С., Епифанцева В.А., Анисимов С.Л., Печенин E.А. Использование искусственной нейронной сети для прогнозирования успеваемости курсантов. Вестник Воронежского института ФСИН России. 2025. 15(1). C. 49-55.

5. Ромащенко А.И., Щербин С.И., Харитонов И.М., Панфилов А.Э., Жаравин Н.С. Применение статистических методов машинного обучения для прогнозирования будущей успеваемости абитуриентов в вузе. Современные наукоемкие технологии. 2025. 23(9). С. 132-136. DOI: 10.17513/snt.40497.

6. Philippou N., Ajoodha R., Jadhav A. Using Machine Learning Techniques and Matric Grades to Predict the Success of First Year University Students. In: 2020 2nd International Multidisciplinary Information Technology and Engineering Conference (IMITEC). Kimberley, South Africa. 2020. P. 1-5. DOI: 10.1109/IMITEC50163.2020.9334087.

7. Martinho V. R. D. C., Nunes C., Minussi C.R. An Intelligent System for Prediction of School Dropout Risk Group in Higher Education Classroom Based on Artificial Neural Networks. In: 2013 IEEE 25th International Conference on Tools with Artificial Intelligence. Herndon, VA, USA. 2013. P. 159-166. DOI: 10.1109/ICTAI.2013.33.

8. Ranawaka U.M., Rajapakse C. Predicting examination performance using machine learning approach: A case study of the Grade 5 scholarship examination in Sri Lanka. In: 2020 International Research Conference on Smart Computing and Systems Engineering (SCSE). Colombo, Sri Lanka. 2020. P. 202-209. DOI: 10.1109/SCSE49731.2020.9313029.

9. Харитонов И.М., Крушель Е.Г., Привалов О.О., Степанченко И.В., Степанченко О.В. Прогнозирование качества обучения в вузе с помощью методов регрессионного анализа. Известия Санкт-Петербургского государственного технологического института (технического университета). 2021. 56(82). С. 72-80. DOI: 10.36807/1998-9849-2020-56-82-72-80.

10. Zhu W. High school student GPA prediction by various linear regression models. Theoretical and Natural Science. 2024. 52(1). P. 153-162. DOI: 10.54254/2753-8818/52/2024ch0136.

11. Долганов Д.Н. Модель оценки и прогнозирования успешности обучения. Вестник экспериментального образования. 2018. 1(14). С. 40-54.

12. Побединская Т.В., Заславская О.Ю. Использование алгоритмов машинного обучения для прогноза успеваемости учащихся основной школы. Вестник МГПУ. Серия: Информатика и информатизация образования. 2022. 62(4). С. 75-82. DOI: 10.25688/2072-9014.2022.62.4.06.

13. Slabchenko O., Sydorenko V., Siebert X. Development of models for imputation of data from social networks on the basis of an extended matrix of attributes. Eastern-European Journal of Enterprise Technologies. 2016. 4(2(82)). P. 24-34. DOI: 10.15587/1729-4061.2016.74871.

14. Saini P., Nagpal B. Analysis of missing data and comparing the accuracy of imputation methods using wheat crop data. Multimedia Tools and Applications. 2023. P. 82. DOI: 10.1007/s11042-023-17178-9.

15. Cortese F. P., Pievatolo A. Statistical jump model for mixed-type data with missing data imputation. Advances in Data Analysis and Classification. 2025. P. 19. DOI: 10.1007/s11634-025-00631-y.

16. Фабрикант М.С. Модель-ориентированный подход к отсутствующим значениям: множественная импутация в многоуровневой регрессии посредством R (на примере анализа опросных данных). Социология: методология, методы, математическое моделирование. 2015. 24(41). С. 7-29.

17. Palchevsky E.V. Method for Improving the Accuracy of Predictive Values of Time Series Based on the Imputation of Historical Data. Programmnaya Ingeneria.2023;14(6):301-306. DOI:10.17587/prin.14.301-306.

18. Чернавин П.Ф., Чернавин Ф.П., Чернавин Н.П., Пономарева О.А., Сальник К.Д. Опыт применения различных методов импутации данных при решении задач классификации. Вестник компьютерных и информационных технологий. 2024. 21(6(240)). С. 50-57. DOI: 10.14489/vkit.2024.06.pp.050-057.

19. Лосев А.С., Массель А. Г. Прогнозирование солнечной радиации и импутация данных для цифрового двойника солнечной электростанции. Информационные и математические технологии в науке и управлении. 2022. 7(1(25)). С. 91-101. DOI: 10.38028/ESI.2022.25.1.008.

20. Асланов Т.Г., Айгумов Т.Г. Имитация работы донных сейсмографов с применением искусственных нейронных сетей. Морские интеллектуальные технологии. 2022. 15(2-1(56)). С. 143-148. DOI: 10.37220/MIT.2022.56.2.019.

21. Параметры учебного процесса влияющие на предметные результаты обучения [Файл] // Онлайн-школа «Дом знаний», 12.08.2022 https://docs.domznaniy.school/1.jpg (Дата обращения: 12.01.2026)

22. Alexandrov I.A., Kirichek A.V., Kuklin V.Z., Chervyakov L.M. Development of an Algorithm for Multicriteria Optimization of Deep Learning Neural Networks // HighTech and Innovation Journal. 2023. Vol. 4, No. 1. P. 157-173. DOI: 10.28991/HIJ-2023-04-01-011.

23. Прогнозирование оценки ребенка на год вперед с приведением личного кабинета ребенка и педагога, а также кабинета родителя с возможностью изменения части ранее заполненных параметров // Презентация работы системы онлайн школы «Дом знаний», 11.09.2025 URL: https://cms.domznaniy.school/uploads/Prognozirovanie1_821b7ceb67.pptx (Дата обращения: 12.01.2026)

24. Alexandrov I.A., Kuklin V.Zh., Muranov A.N., Tatarkanov A.A. Theoretical Foundations of an Algorithm of Visualization of a Set of Points of a Multidimensional Space for Use in Anthropotechnical Decision Support Systems // Proceedings of the Institute for System Programming of the RAS. 2022. Vol. 34, No. 4. P. 201-210. DOI 10.15514/ISPRAS-2022-34(4)-14.

25. Александров И.А. Принципы автоматизация технологической подготовки производства путем нейросетевого моделирования // Инженерный вестник Дона. 2019. 5(56). С. 22.