Написать диплом по теме «Использование технологий машинного обучения в образовательных практиках»
Диплом (ВКР) по теме «Использование технологий машинного обучения в образовательных практиках» в ВШЭ (09.03.02) требует глубокого анализа образовательных процессов, выбора ML-задачи (например, прогнозирование успеваемости), разработки прототипа и экономического обоснования. В работе должны быть реальные данные, код на Python (scikit-learn, TensorFlow), диаграммы IDEF0, расчёты по ГОСТ 34.602-2020 и оформление по ГОСТ 7.0.100-2018.
Нужен разбор вашей темы Использование технологий машинного обучения в образовательных практиках? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)
Актуальность темы
Образовательные учреждения всё чаще внедряют ИИ для персонализации обучения. По данным исследования в CyberLeninka (2024), использование ML для анализа успеваемости позволяет повысить точность прогнозирования отсева студентов на 37%. В ВШЭ, где высокая нагрузка на преподавателей, автоматизация диагностики учебных трудностей — не просто тренд, а необходимость.
Заметьте: не нужно писать про «цифровизацию» в общем. Конкретика: в НИУ ВШЭ в 2023 году 12% студентов бакалавриата отчислялись по академическим причинам. Прототип системы на основе логистической регрессии с анализом поведения в LMS (например, Moodle) может снизить этот показатель.
Цель и задачи
Цель: Разработка прототипа системы поддержки принятия решений для преподавателей на основе машинного обучения, прогнозирующей риски академической успеваемости студентов.
Задачи (соответствуют методичке ВШЭ):
- Проанализировать текущую практику мониторинга успеваемости в выбранном факультете ВШЭ.
- Изучить существующие ML-подходы к прогнозированию успеваемости (по данным eLibrary).
- Разработать схему сбора и обработки данных (оценки, посещаемость, активность в LMS).
- Построить и обучить модель (например, Random Forest) на учебных данных.
- Оценить точность модели (метрики: accuracy, F1-score).
- Обосновать экономическую эффективность внедрения (снижение затрат на повторное обучение).
На мой взгляд, студенты часто теряются на этапе сбора данных. Решение: использовать синтетические данные по шаблону реальных, но с сохранением логики — это допустимо при указании в работе.
Структура ВКР
| Раздел ВКР | Рекомендуемый объем |
|---|---|
| Введение | 3–5 страниц |
| Теоретическая глава | 25–30 страниц |
| Аналитическая часть | 30–40 страниц |
| Практическая часть | 30–40 страниц |
Пример введения для ВШЭ
В условиях роста потока студентов и цифровизации образовательной среды возникает потребность в инструментах раннего выявления академических рисков. В НИУ ВШЭ отсутствует централизованная система прогнозирования успеваемости, что увеличивает нагрузку на преподавателей и снижает эффективность поддержки. Целью работы является разработка прототипа системы машинного обучения для прогнозирования вероятности неуспеваемости студентов по результатам первых модулей. Объект исследования — процесс мониторинга академической успеваемости на факультете прикладной политологии ВШЭ. Предмет — алгоритмы классификации, применяемые для анализа учебной активности. Исследование опирается на данные LMS Moodle, оценки и посещаемость за 2022–2023 учебный год.
Как написать заключение по Прикладная информатика
В ходе работы был проанализирован процесс мониторинга успеваемости в ВШЭ, выявлены недостатки ручного контроля. Разработан прототип системы на Python с использованием библиотеки scikit-learn, реализующей модель Random Forest. Точность прогноза составила 89% на тестовой выборке. Экономический эффект от снижения отсева оценён в 1.2 млн руб. в год. Рекомендуется внедрение системы на пилотной основе с последующей интеграцией в корпоративный портал ВШЭ.
Требования к списку литературы ВШЭ
Список оформляется по ГОСТ Р 7.0.100-2018. Включите не менее 20 источников, из них 10% — за последние 2 года. Примеры:
- Федеральный закон № 273-ФЗ «Об образовании в Российской Федерации» от 29.12.2012. — URL: http://www.consultant.ru/document/cons_doc_LAW_140174/ (дата обращения: 2026-06-11)
- ГОСТ 34.602-2020. Информационная технология. Экономическое и математическое моделирование. — URL: https://docs.cntd.ru/document/1200182032
- Кузнецов И.А. Применение машинного обучения в образовании // Вестник НИУ ВШЭ. — 2024. — № 3. — URL: https://cyberleninka.ru/article/n/primenenie-mashinnogo-obucheniya-v-obrazovanii
⚠️ Типичные ошибки при написании Использование технологий машинного обучения в образовательных практиках
- Ошибка: Копирование кода без адаптации под ТЗ → Как проверить: Запустите модель на своих данных, сравните метрики с заявленными.
- Ошибка: Общие фразы в актуальности → Решение: Приведите конкретные цифры по ВШЭ или аналогичным вузам.
- Ошибка: Несоответствие задач цели → Чек-лист: Каждая задача должна заканчиваться результатом, используемым в следующем разделе.
- Ошибка: Отсутствие экономического расчёта → Решение: Используйте методику ГОСТ 34.602-2020: сравнивайте затраты на ручной контроль и автоматизированный.
Частые вопросы по теме «Использование технологий машинного обучения в образовательных практиках»
- В: Сколько страниц должна быть практическая часть? О: В ВШЭ обычно 40–60 стр., но смотрите методичку. Достаточно 40, если есть код, схемы и расчёты.
- В: Нужен ли реальный код в приложении? О: Да, фрагменты ключевых модулей обязательны. Полный репозиторий можно не прикладывать.
- В: Как проверить уникальность перед сдачей? О: Используйте Антиплагиат.ВУЗ с настройками вашего вуза. Минимум — 75%.
- В: Можно ли использовать синтетические данные? О: Да, если реальные недоступны. Укажите это в работе и обоснуйте структуру генерации.
- В: Какой ML-алгоритм выбрать? О: Для прогнозирования успеваемости — Random Forest или Logistic Regression. Они интерпретируемы и подходят для учебных работ.
Вопросы, которые часто задают студенты
Можно ли использовать готовые решения в ВКР?
Да, но с адаптацией. Например, можно взять open-source модель с GitHub, но переобучить её на своих данных, изменить архитектуру и провести собственный анализ. Простое копирование — риск провала на защите. Научные руководители в ВШЭ ценят кастомизацию, а не «коробку».
Сколько страниц должна быть практическая часть?
Рекомендуемый объём — 40–50 страниц. Включите: схему архитектуры системы, ER-диаграмму базы данных, листинг ключевых функций (например, предобработка данных, обучение модели), результаты тестирования. Главное — не объём, а содержание: каждый график и код должны быть прокомментированы.
Можно ли использовать open-source решения?
Абсолютно. Библиотеки вроде scikit-learn, TensorFlow, Pandas — стандарт для ВКР по ML. Но важно: объяснить, почему выбран именно этот инструмент, как он интегрирован в систему и какие модификации внесены. Это покажет вашу экспертизу, а не просто использование «чужого ума».
✅ Чек-лист перед защитой Использование технологий машинного обучения в образовательных практиках
- □ Все задачи из введения выполнены и отражены в заключении
- □ Структура соответствует требованиям методички ВШЭ
- □ Уникальность >75% по Антиплагиат.ВУЗ (настройки вуза)
- □ Источники оформлены по ГОСТ Р 7.0.100-2018
- □ Работа содержит реальные или правдоподобные данные, а не шаблоны
- □ Код протестирован и приложен в приложении
- □ Экономический расчёт выполнен по ГОСТ 34.602-2020
Застряли на этапе практической реализации? Наши эксперты по Прикладная информатика помогут разобраться. Написать в Telegram или +7 (987) 915-99-32 (WhatsApp)
⭐ MAКСПроверьте свою тему ВКР
- □ Есть ли реальная организация для анализа? (например, факультет ВШЭ)
- □ Есть ли измеримый эффект внедрения? (снижение отсева, экономия времени)
- □ Можно ли построить диаграммы процессов? (IDEF0, DFD)
- □ Есть ли реальные данные для экономических расчетов? (затраты на преподавателей, стоимость отсева)
Нужна помощь с вашей работой?