В работе рассматривается применение нейронных сетей для прогнозирования успеваемости студентов. Предложена гибридная модель CNN-LSTM для обработки временных рядов посещаемости и активности в системе дистанционного обучения. Использованы данные 1200 студентов: оценки, посещаемость, активность и демография. Предобработка включала очистку данных, one-hot-кодирование и нормализацию методом Z-оценки. Модель показала высокую точность (MSE = 0,15, R² = 0,82), превосходя линейную регрессию. В задаче классификации студентов по риску отсева ROC-AUC составил 0,88. Результаты полезны для создания систем раннего предупреждения в вузах, позволяющих своевременно выявлять студентов группы риска.

Нейронные сети, прогнозирование успеваемости студентов, гибридная архитектура CNN-LSTМ, машинное обучение в образовании, дистанционная платформа (LMS), анонимизированные академические данные.