Сервис кампусного прогнозирования успеваемости студентов «Пифия» в СФУ

О проекте

Продолжаем рассказывать о цифровых проектах, успешно реализованных в различных университетах страны. Сибирский федеральный университет — один из крупнейших вузов страны как по численности студентов, так и по территориальной структуре. Управление учебным процессом в таких масштабах требует современных цифровых инструментов. Университет столкнулся с необходимостью предиктивной аналитики для раннего выявления студентов с рисками академической неуспеваемости.

Цели проекта

• Автоматизировать прогнозирование академической успеваемости студентов.
• Внедрить раннюю диагностику академических рисков на уровне кампуса.
• Повысить управляемость образовательного процесса за счёт анализа цифрового следа.
• Разработать инструмент поддержки принятия решений для учебных отделов и преподавателей.

Решение

«Пифия» — это предиктивный сервис, построенный на анализе цифрового следа студентов в LMS (в частности, Moodle). Он интегрирует данные об успеваемости, активности в системе, сетевой активности в кампусе и профиле обучающегося. Используется ансамбль из трёх моделей:

• Модель B — прогнозирует оценку по конкретной дисциплине.
• Модель D — анализирует текущий семестр.
• Модель A — интегрально определяет риски возникновения академических долгов.

Сервис использует методы машинного обучения, включая случайный лес и бустинг. Все данные агрегируются в промежуточных хранилищах, обеспечивается протокольный доступ к информации. В системе учтено 74 предиктора, включая возраст, количество задолженностей, приказы, академические отпуска, показатели активности в LMS и др.

Функциональные возможности

• Прогноз на уровне студента, группы, дисциплины.
• Инструменты коммуникации с обучающимися по выявленным рискам.
• Методическая аналитика: выявление сложных дисциплин, проблемных преподавателей, недостатков организации.

Этапы проекта

1. Анализ потребностей университета и образовательной аналитики.
2. Формирование архитектуры сбора и обработки данных.
3. Разработка моделей предиктивного анализа.
4. Тестирование и пилот на всей базе студентов СФУ.
5. Интеграция с LMS и настройка аналитических интерфейсов.

Результаты внедрения

• Создан действующий инструмент раннего прогнозирования успеваемости.
• Снижено количество академических задолженностей у студентов.
• Улучшена коммуникация учебных отделов с обучающимися.
• Идентифицированы рисковые зоны в преподавании и контенте дисциплин.
• Предотвращены критические кейсы, включая выявление студентов с признаками дезадаптации.
• Повышена прозрачность образовательного процесса в масштабах кампуса.

С полной презентацией кейса можно ознакомиться на нашем официальном Rutube-канале по ссылке.