ПРИМЕНЕНИЕ АНСАМБЛЕВЫХ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ОБРАЗОВАТЕЛЬНЫХ ДАННЫХ В УСЛОВИЯХ ПАНДЕМИИ COVID-19

Abstract

Статья описывает влияние пандемии COVID-19 на различные сферы жизни, включая образование, где произошел значительный сдвиг к дистанционному обучению. Автор рассматривает роль больших данных и искусственного интеллекта в улучшении образовательных процессов, особенно в условиях глобальных кризисов. Исследование посвящено применению ансамблевых моделей машинного обучения для анализа образовательных данных, собранных во время дистанционного обучения в период пандемии COVID-19. Рассматриваются методы KNN, Random Forest и XGBoost, которые были объединены в ансамблевую модель для улучшения точности предсказаний изменений активности учащихся. Результаты показали положительную динамику учебной активности школьников в условиях дистанционного обучения, с точностью модели до 87%. Образцы данных были получены в ходе онлайн-опроса 35950 учащихся средних школ Казахстана, включая городские и сельские школы. Модель также позволила выявить причины повышения активности учащихся.

More by Ainur Mukhiyadin

• Using Immersive Virtual Reality for Collaborative Distance LearningInternational Conference on Distance Education and Learning · 2026
• Design and implementation of an interface architecture for automated IoT device testing platformsEnergy Informatics · 2026 · Citations: 2
• Перспективы и риски использования технологий искусственного интеллекта и VR в школеBilim scientific and pedagogical jornal · 2025 · Citations: 1
• The use of ensemble machine learning models to analyze factors affecting schoolchildren academic performance in distance learningBulletin of the National Engineering Academy of the Republic of Kazakhstan · 2025