ВКР ТУСУР: Сервис прогнозирования успеваемости студентов. Модель нейронной сети
Актуальность темы • Цель и задачи • Объект и предмет • Примерный план работы • Ожидаемые результаты • Пример введения • Заключение • Требования к списку источников
Бесплатная консультация по вашей теме: Telegram: @Diplomit Телефон/WhatsApp/MAX: +7 (987) 915-99-32, Email: admin@diplom-it.ru
Актуальность темы
Каждый преподаватель ТУСУР знает, когда студент начинает «проваливаться». Но часто это происходит уже после того, как он получил двойку на контрольной. Почему? Потому что мы видим только итоги. Мы не видим, как студент учился: сколько раз заходил в Moodle, сколько времени провел на лекциях, когда он начал отставать по курсовой, как менялся его уровень активности.
Студенты, которые не сдали сессию, не были «плохими». Они просто не получили своевременной помощи. Их предупреждали: «Ты же знаешь, что нужно учиться». Но никто не сказал: «У тебя есть 70% шансов не сдать дискретную математику, если ты не начнешь делать домашки хотя бы раз в неделю».
Ваша дипломная работа — это создание сервиса прогнозирования успеваемости студентов на основе нейронной сети. Это не просто «статистика». Это цифровой детектор рисков. Сервис будет:
- Автоматически собирать данные из LMS (Moodle): посещаемость, активность, оценки за задания
- Анализировать исторические данные: успеваемость по предыдущим семестрам, выбор дисциплин
- Использовать нейронную сеть (например, LSTM) для выявления скрытых паттернов, предвещающих провал
- Прогнозировать вероятность неудачи по каждой дисциплине на текущий момент
- Отправлять предупреждения: «Студент Иванов, группа ИС-202, имеет 85% шанс провалить Физику. Рекомендуется обратиться к куратору»
- Генерировать отчеты для кураторов и деканата
Вы создадите инструмент, который поможет ТУСУР перейти от реактивной системы («мы узнали, что он не сдал») к проактивной («мы знаем, что он вот-вот провалится, и можем помочь»). Это не теория — это ваш вклад в сохранение карьеры студентов и повышение качества образования.
Возникли трудности с выбором архитектуры нейронной сети или сбором данных из LMS? Наши эксперты по защите информации помогут! Звоните или пишите: Telegram: @Diplomit
+7 (987) 915-99-32 (WhatsApp/MAX), admin@diplom-it.ru.
Если вы еще не определились с типом данных, ознакомьтесь с полным руководством по написанию ВКР ТУСУР Информационные системы и технологии Полное руководство по написанию ВКР ТУСУР Информационные системы и технологии.
Цель и задачи
Цель исследования: Разработать сервис прогнозирования успеваемости студентов ТУСУР на основе нейронной сети, обеспечивающий выявление студентов с высоким риском академической неуспешности с точностью не ниже 85% и предоставление своевременных рекомендаций для профилактики.
Для достижения цели необходимо решить следующие задачи:
- Проанализировать существующие системы прогнозирования успеваемости (EDU, Blackboard Analytics, системы в других вузах)
- Изучить методы машинного обучения для прогнозирования: логистическая регрессия, деревья решений, нейронные сети (RNN, LSTM)
- Определить ключевые факторы, влияющие на успеваемость: посещаемость, активность в LMS, оценки за первые задания, история успеха, дисциплина
- Выбрать технологический стек: Python + Scikit-learn + TensorFlow/Keras + Flask/Django
- Реализовать модуль сбора данных: интеграция с API Moodle (или импорт CSV/JSON)
- Реализовать модуль предварительной обработки данных: очистка, нормализация, преобразование признаков
- Реализовать модуль обучения модели: выбор архитектуры нейронной сети, обучение на исторических данных
- Реализовать модуль прогнозирования: запуск модели на текущих данных для каждого студента
- Реализовать модуль генерации предупреждений и рекомендаций
- Создать веб-интерфейс для администраторов (кураторов, деканата): таблицы, графики, фильтры
- Реализовать модуль экспорта отчетов в PDF
- Провести тестирование модели на реальных данных ТУСУР с оценкой точности (precision, recall, F1-score)
Объект и предмет исследования
Объект исследования: Процессы академической успеваемости студентов ТУСУР и факторы, влияющие на них.
Предмет исследования: Методы и технологии разработки сервиса прогнозирования успеваемости студентов на основе нейронной сети, использующего данные из системы управления обучением (LMS).
Фокус работы — на выявлении скрытых закономерностей. Как научить нейросеть понять, что студент, который всегда был хорош, но перестал заходить в Moodle на 3 недели, находится в группе риска? Это не программирование — это инженерия поведенческой аналитики. Именно здесь ваша работа становится научно значимой и имеет высокую социальную ценность.
Примерный план (Содержание) работы
Глава 1. Теоретические основы прогнозирования успеваемости и нейронных сетей
- 1.1. Проблемы академической неуспешности в высшей школе: причины, последствия
- 1.2. Современные подходы к прогнозированию успеваемости: data-driven подход, early warning systems
- 1.3. Основы машинного обучения для прогнозирования: классификация, регрессия, методы обучения
- 1.4. Архитектуры нейронных сетей: MLP, RNN, LSTM — применение для анализа временных рядов
- 1.5. Анализ существующих систем прогнозирования: преимущества и недостатки
Глава 2. Проектирование и разработка сервиса прогнозирования
- 2.1. Формирование требований к системе: функциональные и нефункциональные (точность, скорость, безопасность, конфиденциальность)
- 2.2. Выбор технологического стека: Python (Scikit-learn, TensorFlow/Keras) + Flask/Django
- 2.3. Проектирование архитектуры: модуль сбора данных, модуль обработки, модуль модели, модуль интерфейса
- 2.4. Создание информационной модели: сущности «Студент», «Дисциплина», «Событие» (посещение, задание, оценка), «Прогноз»
- 2.5. Реализация модуля сбора данных: интеграция с API Moodle, парсинг JSON/XML
- 2.6. Разработка модуля предварительной обработки: обработка пропущенных значений, нормализация, создание признаков
- 2.7. Реализация модуля обучения модели: подготовка обучающего набора, выбор архитектуры LSTM, настройка гиперпараметров
- 2.8. Создание модуля прогнозирования: запуск модели, расчет вероятности провала
- 2.9. Разработка модуля генерации предупреждений: пороговые значения, формулировка рекомендаций
- 2.10. Реализация веб-интерфейса: панель администратора, фильтры, таблицы, графики динамики
- 2.11. Реализация модуля экспорта отчетов в PDF
- 2.12. Обеспечение конфиденциальности данных: соответствие ФЗ-152, анонимизация
Глава 3. Тестирование и оценка эффективности
- 3.1. Методика тестирования: использование исторических данных за 2-3 семестра, разбиение на обучающую и тестовую выборки
- 3.2. Оценка точности модели: метрики precision, recall, F1-score, ROC-AUC
- 3.3. Анализ ошибок: анализ ложноположительных и ложноотрицательных прогнозов
- 3.4. Оценка производительности: время обучения, время прогноза
- 3.5. Оценка удобства использования веб-интерфейса (SUS-шкала) для кураторов
- 3.6. Рекомендации по внедрению в учебный процесс ТУСУР
Возникли трудности с выбором архитектуры нейронной сети или реализацией интеграции с Moodle? Наши эксперты по защите информации помогут! Звоните или пишите: Telegram: @Diplomit
+7 (987) 915-99-32 (WhatsApp/MAX), admin@diplom-it.ru.
Ожидаемые результаты и практическая значимость
Результатом работы станет полнофункциональный сервис прогнозирования с открытым исходным кодом, включающий:
- Модуль сбора данных из LMS (Moodle)
- Систему предварительной обработки и формирования признаков
- Обученную нейронную сеть (LSTM) для прогнозирования
- Модуль генерации прогнозов и вероятностей
- Веб-интерфейс для администраторов и кураторов
- Механизм автоматических предупреждений и рекомендаций
- Система экспорта отчетов в PDF
- Отчет о тестировании с данными по точности, чувствительности и удобству
Практическая значимость — огромна. Сервис может быть внедрен в отдел по работе со студентами ТУСУР и использован для всех факультетов. Он позволит выявлять студентов, находящихся в зоне риска, за несколько месяцев до сессии, и своевременно предоставлять им психологическую, академическую и мотивационную поддержку. Вы создадите продукт, который спасет карьеры студентов и повысит уровень успеваемости всего университета — и сделаете это на базе знаний, полученных в ТУСУР. Это не просто диплом — это ваш вклад в человеческое образование.
Пример введения ВКР ТУСУР
Академическая неуспешность студентов остается одной из наиболее острых проблем современных вузов, включая ТУСУР. Несмотря на наличие систем управления обучением (LMS), большинство мероприятий по поддержке студентов носят реактивный характер: помощь оказывается уже после того, как студент получил неудовлетворительную оценку или не сдал сессию. Такой подход неэффективен и часто приводит к отчислению, что является трагедией для студента и потерей для университета. Современные исследования в области образования показывают, что ключевым фактором успеха является раннее выявление студентов, находящихся в зоне риска, на основе объективных данных об их поведении и академической деятельности.
Целью настоящей магистерской диссертации является разработка сервиса прогнозирования успеваемости студентов ТУСУР на основе нейронной сети, обеспечивающий выявление студентов с высоким риском академической неуспешности с точностью не ниже 85% и предоставление своевременных рекомендаций для профилактики. Объектом исследования являются процессы академической успеваемости студентов ТУСУР и факторы, влияющие на них, предметом — методы и технологии разработки сервиса прогнозирования успеваемости студентов на основе нейронной сети, использующего данные из системы управления обучением (LMS). Для достижения цели используются методы анализа образовательных данных, проектирования информационных систем, реализации алгоритмов машинного обучения и методы оценки качества моделей. Научная новизна заключается в создании уникальной системы, которая объединяет глубокий анализ поведенческих данных из LMS с применением нейронных сетей архитектуры LSTM, способной выявлять сложные временные зависимости и паттерны, предвещающие академический провал, что позволяет значительно повысить точность прогнозирования по сравнению с традиционными методами. Практическая значимость работы состоит в предоставлении готового, легко внедряемого решения, которое может быть использовано в администрации ТУСУР для перехода от реактивной модели поддержки к проактивной, направленной на предотвращение академической неуспешности и сохранение студенческого капитала университета.
Заключение ВКР ТУСУР Информационные системы и технологии
В ходе выполнения выпускной квалификационной работы была разработана и протестирована модель прогнозирования успеваемости на основе нейронной сети LSTM. Прототип успешно прошел тестирование на исторических данных за три семестра. Модель достигла точности прогнозирования 88% (F1-score), с чувствительностью (recall) 91% — то есть она правильно выявила 91% студентов, которые в итоге не сдали предмет. Уровень удовлетворенности кураторов (SUS) составил 85, а они отметили, что система «показала на тех, кого мы не замечали». Время генерации прогноза для всей группы — менее 10 секунд.
Разработанный сервис полностью соответствует требованиям методички ТУСУР и демонстрирует высокий уровень профессионализма в области машинного обучения и разработки аналитических систем. Полученные данные подтверждают, что проактивная поддержка на основе данных — это не будущее, а необходимость для современного университета. Работа может служить основой для дальнейших исследований, включая интеграцию с системами психологической помощи и создание мобильного приложения для студентов.
Требования к списку источников
Список литературы должен соответствовать ГОСТ 7.1-2003 и включать не менее 40 источников, из которых минимум 25% (10+) должны быть опубликованы за последние 2 года (2023–2025 гг.). Источники следует разделить на категории: научные статьи по образовательной аналитике, книги по машинному обучению, технические руководства по LMS и Python, исследования по этике AI в образовании.
Примеры корректного оформления:
- Siemens, G., Long, P. Penetrating the Fog: Analytics in Learning and Education. — EDUCAUSE Review, 2023.
- Goodfellow, I., Bengio, Y., Courville, A. Deep Learning. — MIT Press, 2023. — 775 p.
- Кузнецова, Е.В. Применение методов искусственного интеллекта для прогнозирования академической успеваемости студентов // Вестник ТУСУР. — 2024. — № 1(54). — С. 67–75.
- Moodle Documentation. — URL: https://docs.moodle.org/ (дата обращения: 15.05.2025)
- TensorFlow Documentation. — URL: https://www.tensorflow.org/ (дата обращения: 15.05.2025)
- ISO/IEC 23053:2023. Artificial intelligence — Framework for data quality assessment. — International Organization for Standardization, 2023.
Обязательно включайте статьи по образовательной аналитике (Siemens, Long), книги по глубокому обучению (Goodfellow), технические руководства по Moodle и TensorFlow, а также исследования по этике использования ИИ в образовании. Все ссылки должны быть упомянуты в тексте работы.
Полезные материалы для написания магистерской диссертации
- Все готовые работы Информационные системы и технологии — образцы структур, кода и анализа
- Методические рекомендации по написанию ВКР ТУСУР по направлению 09.03.01
- Курс "Learning Analytics" на Coursera (University of Pennsylvania)
- Руководство по интеграции с Moodle API
Нужна помощь с выбором архитектуры нейронной сети или реализацией интеграции с Moodle? Наши эксперты — практики в области машинного обучения и образовательных технологий. Мы напишем для вас работу с рабочей моделью, кодом и тестами, готовую к защите. Звоните или пишите: Telegram: @Diplomit
+7 (987) 915-99-32 (WhatsApp/MAX), admin@diplom-it.ru.
Нужна помощь с ВКР ТУСУР?
Наши эксперты — практики в сфере ВКР ТУСУР по Информационные системы и технологии. Мы напишем для вас уникальную работу по этой теме с глубоким анализом, реальными кейсами и расчетами, готовую к защите.
? Что вы получите: полное соответствие методичке вашего Вуза, гарантию оригинальности от 75%, сопровождение до защиты.
→ Оформите заказ онлайн: Заказать ВКР ТУСУР