Статья посвящена проблеме прогнозирования академической успеваемости студентов на основе анализа образовательных данных с использованием методов машинного и глубокого обучения. Авторы рассматривают такие основные источники информации, применяемые в современных исследованиях, как оценки и тесты, сведения о посещаемости, активность в системах управления обучением, демографические и поведенческие характеристики обучающихся, а также результаты психометрического анализа тестов. Особое внимание уделено анализу временных рядов, позволяющему выявлять точки перелома в обучении студентов и прогнозировать долгосрочные тенденции. Проведённый в статье обзор демонстрирует, что каждый из типов данных обладает собственным прогностическим потенциалом и требует применения специализированных алгоритмов обработки. Традиционные показатели обеспечивают высокую надёжность, однако при этом ограничены во временном аспекте, тогда как динамичные данные LMS (Learning Management System) и временные ряды позволяют осуществлять раннее выявление рисков. Наибольшую перспективность имеют гибридные подходы, интегрирующие несколько источников данных и методы анализа, что позволяет строить адаптивные системы сопровождения обучения.

образовательная аналитика, академическая успеваемость, машинное обучение, глубокое обучение, успеваемость студентов, прогнозирование, системы управления обучением