В статье рассматривается программная система анализа результатов тестирования и прогнозирования класса успешности освоения учебного материала на основе методов машинного обучения. Актуальность исследования обусловлена необходимостью автоматизированной обработки тестовых данных в составе программных систем, предъявляющих требования к устойчивости, воспроизводимости и формализованному представлению результатов. Целью исследования является разработка модели и программной системы анализа результатов тестирования, обеспечивающей многоклассовую классификацию на основе нейросетевого классификатора и формирование результата в машиночитаемом виде для интеграции с внешними программными компонентами. В рамках исследования предложен конвейер обработки данных, включающий нормализацию и структурирование признакового описания, а также модель многоклассовой классификации, реализованную в виде нейросетевого классификатора. Описаны архитектурные решения, обеспечивающие организацию взаимодействия программных компонентов при развертывании модели в составе веб-сервиса, ориентированного на интеграцию с внешними цифровыми платформами и информационными системами. По результатам экспериментальной проверки на анонимизированной выборке выполнен анализ устойчивости и применимости разработанного классификатора. Показано, что предложенные алгоритмические и архитектурные решения обеспечивают воспроизводимость вычислительных процедур и позволяют использовать разработанную систему в задачах автоматизированного анализа тестовых данных и формирования результата в машиночитаемом виде.
The paper considers a software system for analyzing test results and predicting the class of learning performance based on machine learning methods. The relevance of the study is determined by the need for automated processing of test data within software systems that require stable, reproducible, and formally represented results. The aim of the study is to develop a model and a software system for analyzing test results that provides multiclass classification using a neural network classifier and generates machine-readable outputs suitable for integration with external software components. A data processing pipeline is proposed, including normalization and structuring of feature representations, as well as a multiclass classification model implemented as a neural network classifier. Architectural solutions ensuring the interaction of software components during model deployment as a web service are described, with a focus on integration with external digital platforms and information systems. Based on experimental evaluation on an anonymized dataset, the stability and applicability of the developed classifier are analyzed. The results show that the proposed algorithmic and architectural solutions ensure reproducibility of computational procedures and allow the developed system to be used for automated analysis of test data and generation of machine-readable results.
1. Ольховая А. М., Ромашкова О. Н. Нейронная сеть для генерации 3D‑контента образовательных платформ // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2024. № 3‑2. С. 65–69. DOI: 10.37882/2223-2966.2024.3-2.20.
2. Орехова Е. В., Ромашкова О. Н. Управление системой мониторинга и оценки компетенций // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2020. № 4. С. 110–115. DOI: 10.37882/2223-2966.2020.04.32.
3. Русаков С. В., Русакова О. Л., Посохина К. А. Нейросетевая модель прогнозирования группы риска по успеваемости студентов первого курса // Современные информационные технологии и ИТ-образование. 2018. Vol. 14. Is. 4. Р. 815-822. DOI: 10.25559/SITITO.14.201804.815-822.
4. Каптерев А .И., Ромашкова О. Н., Чискидов С. В., Ермакова Т. Н. Современное состояние и перспективы моделирования цифровых профессиональных пространств в бизнесе и образовании // Вестник Российского университета дружбы народов. Серия: Информатизация образования. 2023. Т. 20. № 4. С. 358‒372. EDN: BSBPRL.
5. Захаров Я. В., Федин Ф. О., Ромашкова О. Н. Разработка требований к автоматизированной системе оценивания результатов инновационной деятельности образовательной организации // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2021. № 6. С. 96–101. DOI: 10.37882/2223-2966.2021.06.18.
6. Астафьев А. Ю. Обновление образовательной парадигмы в условиях перехода вузов на электронное обучение и использование дистанционных образовательных технологий // Вестник ВГУ. Серия: Право. 2021. Т. 1. № 1. С. 316–326. DOI: 10.17308/vsu.proc.law.2021.1/3275.
7. Алехина Н. В., Калугина Е. В. Цифровое образовательное пространство в современном вузе // Современные проблемы науки и образования. 2023. № 5. URL: https://science-education.ru/article/view?id=32971 (дата обращения: 17.01.2026).
8. Dabhade P., Agarwal R., Alameen K. P., Fathima A. T., Sridharan R., Gopakumar G. Educational data mining for predicting students’ academic performance using machine learning algorithms // Materials Today: Proceedings, 2021. Vol. 47. Part 15. P. 5260–5267. DOI: 10.1016/j.matpr.2021.05.646.
9. Alhassan A., Zafar B., Mueen A. Predict Students’ Academic Performance based on their Assessment Grades and Online Activity Data // International Journal of Advanced Computer Science and Applications. 2020. Vol. 11. Is. 4. P. 1–7. DOI: 10.14569/IJACSA.2020.0110425.
10. Marbouti F., Diefes-Dux H.A., Madhavan K. Models for early prediction of at-risk students in a course using standards-based grading // Computers and Education. 2016. Vol. 103. P. 1–15. DOI: 10.1016/j.compedu.2016.09.005.
11. Malik S., Jothimani K. Enhancing Student Success Prediction with FeatureX: A Fusion Voting Classifier Algorithm with Hybrid Feature Selection // Education and Information Technologies. 2024. Vol. 29. № 7. P. 8741–8791. DOI: 10.1007/s10639-023-12139-z.
12. Thaher T., Zaguia A., Al Azwari S., Mafarja M., Chantar H., Abuhamdah A., Turabieh H., Mirjalili S., Sheta A. An Enhanced Evolutionary Student Performance Prediction Model Using Whale Optimization Algorithm Boosted with Sine–Cosine Mechanism // Applied Sciences. 2021. Vol. 11. № 21. Article 10237. DOI: 10.3390/app112110237.
13. Nayak P., Vaheed S., Gupta S., Mohan N. Predicting students’ academic performance by mining the educational data through machine learning-based classification model // Education and Information Technologies. 2023. Vol. 28. № 11. P. 14611–14637. DOI: 10.1007/s10639-023-11706-8.
14. Yang K. Predicting Student Performance Using Artificial Neural Networks // Journal of Arts, Society, and Education Studies. 2024. № 6. Р. 167. DOI: 10.69610/j.ases.20240515.
15. Badal Y. T., Sungkur R. K. Predictive modelling and analytics of students’ grades using machine learning algorithms // Education and Information Technologies. 2023. Vol. 28. P. 3027–3057. DOI: 10.1007/s10639-022-11299-8.
16. Xiao W., Hu J. A state‐of‐the‐art survey of predicting students’ performance using artificial neural networks // Engineering Reports. 2023. № 5 (6). Р. e12652. DOI: 10.1002/eng2.12652.