СИСТЕМА ПРОГНОЗИРОВАНИЯ УСПЕВАЕМОСТИ СТУДЕНТОВ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ
|
ВВЕДЕНИЕ
ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИЙ 6
1.1. Научные исследования 6
1.2. Информационные системы для мониторинга успеваемости 7
ГЛАВА 2. ИССЛЕДОВАНИЕ И РЕАЛИЗАЦИЯ МЕТОДОВ
ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ 9
2.1. Постановка задачи 9
2.2. Сбор и подготовка данных 11
2.3. Анализ данных 17
2.4. Используемые методы классификации 19
2.5. Метрики оценивания качества классификации 21
2.6. Используемые методы регрессии 23
2.7. Метрики оценивания качества регрессионных моделей 24
2.8. Результаты исследовательской работы 24
ГЛАВА 3. РАЗРАБОТКА СИСТЕМЫ 27
3.1. Описание архитектуры системы 27
3.2. Проектирование базы данных 28
3.3. Используемые технологии для реализации серверной части 30
3.4. Результаты разработки серверной части системы 32
3.5. Используемые технологии для реализации клиентской части 36
3.6. Результаты разработки клиентской части системы 38
ЗАКЛЮЧЕНИЕ 44
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 46
Приложение 1. Методы предобработки данных fillEmptyUSE, normilizeData 48
Приложение 2. Запрос на прогнозирование оценки по выбранному предмету 49
Приложение 3. Класс для асинхронного и параллельного выполнения основных запросов интерфейса студента 50
ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИЙ 6
1.1. Научные исследования 6
1.2. Информационные системы для мониторинга успеваемости 7
ГЛАВА 2. ИССЛЕДОВАНИЕ И РЕАЛИЗАЦИЯ МЕТОДОВ
ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ 9
2.1. Постановка задачи 9
2.2. Сбор и подготовка данных 11
2.3. Анализ данных 17
2.4. Используемые методы классификации 19
2.5. Метрики оценивания качества классификации 21
2.6. Используемые методы регрессии 23
2.7. Метрики оценивания качества регрессионных моделей 24
2.8. Результаты исследовательской работы 24
ГЛАВА 3. РАЗРАБОТКА СИСТЕМЫ 27
3.1. Описание архитектуры системы 27
3.2. Проектирование базы данных 28
3.3. Используемые технологии для реализации серверной части 30
3.4. Результаты разработки серверной части системы 32
3.5. Используемые технологии для реализации клиентской части 36
3.6. Результаты разработки клиентской части системы 38
ЗАКЛЮЧЕНИЕ 44
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 46
Приложение 1. Методы предобработки данных fillEmptyUSE, normilizeData 48
Приложение 2. Запрос на прогнозирование оценки по выбранному предмету 49
Приложение 3. Класс для асинхронного и параллельного выполнения основных запросов интерфейса студента 50
Высшее образование является важным этапом в жизни каждого человека, но при поступлении в университет не все абитуриенты могут полностью адаптироваться к меняющимся условиям жизни: с первых дней они погружаются в студенческую действительность, в которой им приходится много работать над домашними заданиями, количество которых постоянно увеличивается. Большинство первокурсников не успевает привыкнуть к новой для них системе, нерационально распределяют свое время, что приводит к накоплению долгов по предметам и последующему отчислению.
С этой проблемой могут столкнуться студенты любого курса. Например, второкурсники подвержены риску быть отчисленными, поскольку во время второго года обучения они начинают относиться к учебе менее серьезно, что приводит к поздно сданным домашним заданиям, увеличению количества пропусков лекций, неудовлетворительным результатам на экзаменах и как итог - отчислению из университета.
Из-за существенного для Вузов процента отчислений студентов по всему миру [2, 18], эта проблема послужила отправной точкой для данной дипломной работы, идея которой состоит в том, чтобы на основе собранных и предобработанных наборов данных об учебной успеваемости дать студентам инструмент для оценивания результатов своей деятельности в перспективе.
Цель данной работы заключается в разработке системы, способную проанализировать учебную успеваемость студентов и получить прогноз результатов сдачи экзаменов и зачетов в предстоящую сессию.
Для достижения этой цели необходимо решить следующие задачи:
• Собрать данные о студентах второго курса направления Математическое обеспечение и администрирование
информационных систем за 3 года по всем предметам за 3 семестр.
• Изучить методы машинного обучения и анализа данных. Провести
исследования применимости методов классификации и регрессии для прогнозирования успеваемости.
• Спроектировать базу данных для хранения информации о студентах.
• Разработать серверную часть системы для хранения,
предобработки, анализа данных и для взаимодействия с базой данных.
• Разработать мобильное приложение для просмотра успеваемости студентов.
С этой проблемой могут столкнуться студенты любого курса. Например, второкурсники подвержены риску быть отчисленными, поскольку во время второго года обучения они начинают относиться к учебе менее серьезно, что приводит к поздно сданным домашним заданиям, увеличению количества пропусков лекций, неудовлетворительным результатам на экзаменах и как итог - отчислению из университета.
Из-за существенного для Вузов процента отчислений студентов по всему миру [2, 18], эта проблема послужила отправной точкой для данной дипломной работы, идея которой состоит в том, чтобы на основе собранных и предобработанных наборов данных об учебной успеваемости дать студентам инструмент для оценивания результатов своей деятельности в перспективе.
Цель данной работы заключается в разработке системы, способную проанализировать учебную успеваемость студентов и получить прогноз результатов сдачи экзаменов и зачетов в предстоящую сессию.
Для достижения этой цели необходимо решить следующие задачи:
• Собрать данные о студентах второго курса направления Математическое обеспечение и администрирование
информационных систем за 3 года по всем предметам за 3 семестр.
• Изучить методы машинного обучения и анализа данных. Провести
исследования применимости методов классификации и регрессии для прогнозирования успеваемости.
• Спроектировать базу данных для хранения информации о студентах.
• Разработать серверную часть системы для хранения,
предобработки, анализа данных и для взаимодействия с базой данных.
• Разработать мобильное приложение для просмотра успеваемости студентов.
В ходе дипломной работы были изучены различные подходы и методы из области машинного обучения и анализа данных. Были собраны данные студентов 2 курса за 3 семестр, проведены анализ и предобработка данных.
Для прогнозирования успеваемости студентов были решены следующие задачи:
• Задача бинарной классификации результата зачёта по предмету «Объектно-ориентированное программирование».
• Задача регрессии для прогнозирования оценки за экзамен по предмету «Структуры и алгоритмы компьютерной обработки данных».
• Задача бинарной классификации по итогам семестра (возможность отчисления).
Для решения задачи бинарной классификации были выбраны следующие методы: KNN, SVM, Logistic Regression, Random Forest. Было проведено сравнение результатов работы выбранных методов с помощью метрик оценивания качества классификации и выбраны модели, показавшие наилучшие результаты. Для решения задачи регрессии был применён метод Linear Regression с модификациями (Lasso и Ridge Regression). Оценка качества регрессионных методов проводилась с помощью таких метрик, как коэффициента детерминации и среднеквадратичной ошибки. Лучшие результаты среди выбранных методов регрессии показали стандартный метод линейной регрессии и его модификация - Ridge Regression.
Полученные результаты исследования позволили реализовать систему для анализа и прогнозирования успеваемости студентов, и при дальнейшем развитии работы можно улучшить точность и качество моделей путем увеличения количества и качества предоставляемых для обучения моделей данных.
Для реализации данной системы была спроектирована база данных для хранения информации о студентах; была разработана серверная часть системы, для взаимодействия с базой данных и клиентским приложением; было разработано мобильное приложение в качестве клиентской части системы. Разработанное серверное приложение было размещено на платформе Digital Ocean, что позволяет при наличии интернета использовать клиентскую часть системы с мобильных устройств с ОС Android.
В качестве дальнейшего развития системы можно реализовать клиентское приложение на мобильные устройства с операционной системой iOS, увеличить список предметов, для которых строится прогноз и добавить различные графики для наглядного отображения учебных результатов студентов.
Для прогнозирования успеваемости студентов были решены следующие задачи:
• Задача бинарной классификации результата зачёта по предмету «Объектно-ориентированное программирование».
• Задача регрессии для прогнозирования оценки за экзамен по предмету «Структуры и алгоритмы компьютерной обработки данных».
• Задача бинарной классификации по итогам семестра (возможность отчисления).
Для решения задачи бинарной классификации были выбраны следующие методы: KNN, SVM, Logistic Regression, Random Forest. Было проведено сравнение результатов работы выбранных методов с помощью метрик оценивания качества классификации и выбраны модели, показавшие наилучшие результаты. Для решения задачи регрессии был применён метод Linear Regression с модификациями (Lasso и Ridge Regression). Оценка качества регрессионных методов проводилась с помощью таких метрик, как коэффициента детерминации и среднеквадратичной ошибки. Лучшие результаты среди выбранных методов регрессии показали стандартный метод линейной регрессии и его модификация - Ridge Regression.
Полученные результаты исследования позволили реализовать систему для анализа и прогнозирования успеваемости студентов, и при дальнейшем развитии работы можно улучшить точность и качество моделей путем увеличения количества и качества предоставляемых для обучения моделей данных.
Для реализации данной системы была спроектирована база данных для хранения информации о студентах; была разработана серверная часть системы, для взаимодействия с базой данных и клиентским приложением; было разработано мобильное приложение в качестве клиентской части системы. Разработанное серверное приложение было размещено на платформе Digital Ocean, что позволяет при наличии интернета использовать клиентскую часть системы с мобильных устройств с ОС Android.
В качестве дальнейшего развития системы можно реализовать клиентское приложение на мобильные устройства с операционной системой iOS, увеличить список предметов, для которых строится прогноз и добавить различные графики для наглядного отображения учебных результатов студентов.
Подобные работы
- ПРОГНОЗИРОВАНИЕ УСПЕВАЕМОСТИ СТУДЕНТОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ
Магистерская диссертация, информатика. Язык работы: Русский. Цена: 4850 р. Год сдачи: 2024 - Построение модели поведения пользователя электронного курса с использованием программы Disco
Бакалаврская работа, информатика. Язык работы: Русский. Цена: 5900 р. Год сдачи: 2018 - Информационная система поддержки принятия решений в задачах организации учебного процесса 2го уровня
Магистерская диссертация, информатика. Язык работы: Русский. Цена: 5900 р. Год сдачи: 2016 - Разработка системы тестового контроля знаний студентов на основе принципа поуровневой валидности
Бакалаврская работа, педагогика. Язык работы: Русский. Цена: 4300 р. Год сдачи: 2020 - Психологические предикторы эффективности онлайн-образования
Дипломные работы, ВКР, психология. Язык работы: Русский. Цена: 4215 р. Год сдачи: 2020 - ВЛИЯНИЕ ЗДОРОВЬЯ И ФИЗИЧЕСКОГО РАЗВИТИЯ СТУДЕНТОВ НА УСПЕШНОСТЬ ОБУЧЕНИЯ
Дипломные работы, ВКР, биология. Язык работы: Русский. Цена: 4600 р. Год сдачи: 2022 - МЕТОДЫ ИССЛЕДОВАНИЯ И ПУТИ ПОВЫШЕНИЯ УМСТВЕННОЙ РАБОТОСПОСОБНОСТИ (19.00.01.)
Диссертации (РГБ), психология. Язык работы: Русский. Цена: 700 р. Год сдачи: 2008 - Взаимосвязь аффективно-когнитивных аспектов переживания и психологических характеристик, влияющих на отношение к учебе у студентов в различных учебных ситуациях
Дипломные работы, ВКР, психология. Язык работы: Русский. Цена: 6300 р. Год сдачи: 2018 - Особенности организации тестового контроля при изучении экономических дисциплин в организациях высшего образования (на примере Елабужского института (филиала) ФГАОУ ВО «Казанский (Приволжский) федеральный университет»)
Дипломные работы, ВКР, экономика. Язык работы: Русский. Цена: 4260 р. Год сдачи: 2017