Актуальность исследования обусловлена необходимостью снижения отсева студентов в технических вузах и возможностями, которые предоставляет предиктивная аналитика на базе искусственного интеллекта для раннего выявления обучающихся группы риска. Цель работы – провести сравнительный анализ эффективности встроенного модуля системы управления обучением Moodle Analytics с машинным обучением и специализированного плагина IntelliBoard на основе искусственного интеллекта при прогнозировании академической неуспеваемости. Эмпирической базой послужили данные электронной дисциплины «Проектирование источников вторичного электропитания», которая изучалась студентами 3-го курса Казанского государственного энергетического университета в 2023–2025 гг. Оценка прогнозов проводилась на трех временных срезах с использованием метрик точности и полноты. Результаты показали, что специализированный плагин обеспечивает более раннее выявление студентов группы риска и более высокую полноту на ранних стадиях. Встроенный модуль, уступая в оперативности, к концу семестра достигает сопоставимой точности и полноты, а являясь бесплатным инструментом, остается важным для вузов с ограниченными ресурсами. Предложены организационно-педагогические меры, позволяющие повысить эффективность встроенного в Moodle модуля без дополнительных финансовых затрат. Делается вывод о целесообразности доработки методики применения встроенного модуля для ранней профилактики отсева.
The relevance of the study is due to the need to reduce the dropout rate of students in technical universities and the opportunities provided by predictive analytics based on artificial intelligence for the early identification of students at risk. The purpose of the work is to conduct a comparative analysis of the effectiveness of the built-in module of the Moodle Analytics learning management system with machine learning and the specialized IntelliBoard plugin based on artificial intelligence in predicting academic failure. The empirical base was the data of the electronic discipline “Design of Secondary Power Supply Sources”, which was studied by third-year students of Kazan State Power Engineering University in 2023–2025. The results showed that the specialized plugin provides earlier identification of at-risk students and higher completeness in the early stages. The built-in module, inferior in efficiency, reaches comparable accuracy and completeness by the end of the semester, and being a free tool, it remains important for universities with limited resources. Organizational and pedagogical measures are proposed to increase the efficiency of the module built into Moodle without additional financial costs. The conclusion is made about the expediency of finalizing the methodology for using the built-in module for early prevention of dropout.
1. Накарякова Н. Н., Русаков С. В., Русакова О. Л. Прогнозирование группы риска (по успеваемости) среди студентов первого курса с помощью дерева решений // Прикладная математика и вопросы управления. 2020. № 4. С. 121–136. URL: https://elibrary.ru/item.asp?id=44557920 (дата обращения: 10.03.2026). DOI: 10.15593/2499-9873/2020.4.08.
2. Шамсутдинова Т. М. Когнитивная модель траектории электронного обучения на основе цифрового следа // Открытое образование. 2020. Т. 24. № 2. С. 47–54. URL: https://elibrary.ru/item.asp?id=42811982 (дата обращения: 10.03.2026). DOI: 10.21686/1818-4243-2020-2-47-54.
3. Аршинский В. Л., Провоторов В. А. Применение искусственных нейронных сетей и машинного обучения для прогнозирования успеваемости студентов высших учебных заведений // Вестник МГПУ. Серия: Информатика и информатизация образования. 2024. № 4 (70). С. 61–72. URL: https://elibrary.ru/item.asp?id=75188843 (дата обращения: 10.03.2026). DOI: 10.24412/2072-9014-2024-470-61-72.
4. Попова Н. А., Егорова Е. С. Интеллектуальный анализ образовательных данных для прогноза успеваемости студентов вуза // Известия Кабардино-Балкарского научного центра РАН. 2023. № 2 (112). С. 18–29. URL: https://elibrary.ru/item.asp?id=52099931 (дата обращения: 10.03.2026). DOI: 10.35330/1991-6639-2023-2-112-18-29.
5. Есин Р. В., Кустицкая Т. А., Носков М. В. Прогнозирование успешности обучения по дисциплине на основе универсальных показателей цифрового следа // Информатика и образование. 2023. Т. 38. № 3. С. 31–41. URL: https://elibrary.ru/item.asp?id=54100036 (дата обращения: 10.03.2026). DOI: 10.32517/0234-0453-2023-38-3-31-41.
6. Баранова Е. В., Швецов Г. В. Методы и инструменты для анализа цифрового следа студента при освоении образовательного маршрута // Перспективы науки и образования. 2021. № 2 (50). С. 415–430. URL: https://elibrary.ru/item.asp?id=45804556 (дата обращения: 10.03.2026). DOI: 10.32744/pse.2021.2.29.
7. Ambrajei A. N., Golovin N. M., Valyukhova A. V., Rybakova N. A. Using SAP Predictive Analytics to Analyze Individual Student Profiles in LMS Moodle // Communications in Computer and Information Science. 2022. Vol. 1539. P. 66–77. URL: http://elibrary.ru/item.asp?id=48150270 (дата обращения: 10.03.2026). DOI: 10.1007/978-3-030-95494-9_6.
8. Гущин А. Н. Опыт анализа цифрового следа студента в LMS Moodle // Педагогика и просвещение. 2022. № 1. С. 155–166. URL: https://elibrary.ru/item.asp?id=48198069 (дата обращения: 10.03.2026). DOI: 10.7256/2454-0676.2022.1.35514.
9. Токтарова В. И., Пашкова Ю. А. Предиктивная аналитика в цифровом образовании: анализ и оценка успешности обучения студентов // Сибирский педагогический журнал. 2022. № 1. С. 97–106. URL: https://elibrary.ru/item.asp?id=48077384 (дата обращения: 04.04.2026). DOI: 10.15293/1813-4718.2201.09.
10. Kaensar Ch., Wongnin W. Analysis and Prediction of Student Performance Based on Moodle Log Data using Machine Learning Techniques // International Journal of Emerging Technologies in Learning. 2023. Vol. 18. Is. 10. P. 184–203. URL: https://elibrary.ru/item.asp?id=61639609 (дата обращения: 10.03.2026). DOI: 10.3991/ijet.v18i10.35841.
11. Bognár L., Fauszt T., Nagy G. Z. Analysis of Conditions for Reliable Predictions by Moodle Machine Learning Models // International Journal of Emerging Technologies in Learning. 2021. Vol. 16. Is. 06. P. 106. URL: https://elibrary.ru/item.asp?id=73171303 (дата обращения: 10.03.2026). DOI: 10.3991/ijet.v16i06.18347.
12. Гочияева М. Д., Жуков Д. А., Голованова М. М. Предиктивные модели искусственного интеллекта для выявления студентов с риском низкой успеваемости // Мягкие измерения и вычисления. 2025. Т. 94. № 9–2. С. 55–62. URL: https://elibrary.ru/item.asp?id=88794992 (дата обращения: 10.03.2026). DOI: 10.36871/2618-9976.2025.9-2.007.
13. Арсланова М. Ш. Анализ образовательных данных для раннего выявления студентов с трудностями обучения // Светоч науки. 2025. № 1. С. 44–49. URL: https://www.elibrary.ru/item.asp?id=82281096 (дата обращения: 10.03.2026).
14. Anagnostopoulos T., Kytagias C., Xanthopoulos T., Georgakopoulos I., Salmon I., Psaromiligkos Y. Intelligent predictive analytics for identifying students at risk of failure in moodle courses // Lecture Notes in Computer Science. 2020. Vol. 12149 LNCS. P. 152–162. URL: https://elibrary.ru/item.asp?id=43292725 (дата обращения: 10.03.2026). DOI: 10.1007/978-3-030-49663-0_19.
15. Ибрагимова З. М., Потапов А. А., Маигова Д. Д. Внедрение информационных технологий в образовательный процесс // Педагогический журнал. 2022. Т. 12. № 6–1. С. 265–271. URL: https://elibrary.ru/item.asp?id=51295488 (дата обращения: 10.03.2026). DOI: 10.34670/AR.2022.40.30.039.