The object of research, development or design (in Russian) : Образовательная база данных, система управления учебным процессом (LMS) и информационная система вуза предназначены для анализа образовательных данных, таких как аналитика обучения (LA) и интеллектуальный анализ образовательных данных (EDM) с помощью машинного обучения.

The object of research, development or design (in Kazakh) : Машиналық оқыту арқылы білім беру деректерін интеллектуалды талдау (EDM) және оқыту аналитикасы (LA) сияқты білім беру деректерін талдауға арналған білім беру дерекқоры, оқу процесін басқару жүйесі (LMS) және университеттің ақпараттық жүйесі.

Aim of work (in Russian) : Целью проекта является получение прогнозов стратегий обучения образовательных программ в LMS (learning management system) с интеграцией алгоритмов машинного обучения, оказывающих положительное влияние на формирование основных профессиональных компетенций обучающихся Вуза

Aim of work (in Kazakh) : Жобаның мақсаты ЖОО білім алушыларының негізгі кәсіби құзыреттіліктерін қалыптастыруға оң әсер ететін машиналық оқыту алгоритмдерін интеграциялай отырып, LMS-те (Оқытуды басқару жүйесі) перспективалық білім беруді бағдарламалық қамтамасыз етудің болжамын алу болып табылады.

Методы исследования (на русском) : Исследован образовательной программы (ОП) с использованием машинного обучения(ML) путем анализа академических данных студентов по различным предметам и результатов национального квалификационного тестирования (НКТ) трудоустройство выпускников. В исследовании использовались результаты квалификационной аттестации для оценки компетенций обучающихся и определения качества ключевых показателей эффективности результатов обучения. Для оценки образовательных процессов и прогнозирования успеваемости учащихся в исследовании используется методология наивного байесовского классификатора, которая основана на вероятностных моделях и предположении о независимости признаков.

Методы исследования (на казахском) : Білім алушылардың әртүрлі пәндер бойынша академиялық деректерін және ұлттық біліктілік тестілеу нәтижелерін талдау арқылы машиналық оқытуды (ML) қолдана отырып білім беру бағдарламасын(ББ) зерттелді. Зерттеу барысында білім алушылардың құзыреттерін бағалау және оқу нәтижелерінің тиімділігінің негізгі көрсеткіштерінің сапасын анықтау үшін түлектерді жұмысқа орналастырудың ұлттық біліктілік тестілеу (ҰБТ) нәтижелері пайдаланылды. Оқу процестерін бағалау және оқушылардың үлгерімін болжау үшін зерттеу ықтималдық үлгілері мен белгілердің тәуелсіздігі туралы болжамға негізделген аңғал Байес классификаторының әдістемесі пайдаланылды.

Obtained results and novelty (in Russian) : Исследование продемонстрировало преимущества применения классификационных задач машинного обучения для образовательного анализа университетских данных. Модели LR, NB, NN и SVM могут быть использованы для определения академической компетентности студентов. Кроме того, используя эти модели, можно определить процент выполнения ОП по отношению к квалификационной сертификации. По результатом исследования модель KNN дает наиболее точные результаты. Мы определили, что интеграция модели ML в LMS может быть осуществлена на основе результатов профессиональной сертификации выпускников. Используя наивный метод Байеса для прогнозирования успеваемости учащихся, мы получили вероятности успеха и неуспеха в обучении в зависимости от предыдущих оценок, возраста и посещаемости, используя доступные нам данные и предположения.

Obtained results and novelty (in Kazakh) : Зерттеу университет деректерін білім беруде талдаулар үшін машиналық оқытудың классификациялық есептер қолданудың артықшылықтарын көрсеттілді. Білім алушылардың академиялық құзыреттілігін анықтау үшін LR, NB, NN және SVM модельдерін қолдануға болады. Сонымен қатар, осы модельдерді қолдана отырып, біліктілік сертификатына қатысты ББ орындалу пайызын анықтауға болады. Зерттеу нәтижесінде KNN модельдері ең дәл нәтиже береді. ML моделін LMS-ке интеграциялау түлектердің кәсіби сертификаттау нәтижелері негізінде жүзеге асырылуы мүмкін екенін анықталды. Білім алушылардың үлгерімін болжау үшін аңғал Байес әдісін қолдана отырып, қолда бар деректер мен болжамдарды пайдалана отырып, алдыңғы бағалауларға, жасына және сабаққа қатысуына байланысты оқуда сәттілік пен сәтсіздік ықтималдығын анықталды.

The main constructive and technical economic indicators (in Russian) : Исследование проводилось на кафедре информатики Южно-Казахстанского педагогического университета имени О. Жанибеков. В качестве данных использовались данные, извлеченные из информационной системы базы данных Univer 2.0. Данные включают набор данных успеваемости по дисциплинам ОП и набор данных результатов НКТ выпускных студентов физико-математического факультета в период с 2020 по 2023 года. Участниками были 412 студентов бакалавриата (женщины 74,3%; средный возраст: М = 21,3). Через модель KNN в данном исследовании мы определили процент реализации ОП, который составляет 68%. Около 100 студентов из Ташеневского университета (TU) были приглашены принять участие в онлайн-опросе для сбора данных. Группы студентов были проанализированы на основе таких категорий, как возраст, пол и посещаемость. Основываясь на произведенных расчетах и прогнозе успеваемости учащихся обоих полов с использованием метода Байеса получены результаты: для обучающихся женского пола точность модели составляет приблизительно 80%, что означает, что 80% прогнозов успеваемости для студенток оказались верными; для обучающихся мужского пола точность модели составляет приблизительно 75%, что означает, что 75% прогнозов успеваемости для студентов мужского пола оказались верными.

The main constructive and technical economic indicators (in Kazakh) : Зерттеу Ө. Жәнібеков атындағы Оңтүстік Қазақстан педагогикалық университетінің Информатика кафедрасында жүргізілді. Деректер ретінде Univer 2.0 дерекқорының ақпараттық жүйесінен алынған деректер пайдаланылды. Деректер ББ пәндері бойынша үлгерім деректерінің жинағын және физика-математика факультетінің 2020-2023 жылдар аралығындағы бітіруші білім алушылардың ҰБТ нәтижелерінің деректер жинағын қамтиды. Қатысушылар 412 бакалавриат білім алушылары болды (әйелдер 74,3%; орташа жасы: М = 21,3). Осы зерттеудегі KNN моделі арқылы ББ-ны іске асыру пайызын анықталды, ол 68% құрайды. Ташенев университетінің (TU) 100-ге жуық студенті деректерді жинау үшін онлайн сауалнамаға қатысуға шақырылды. Білім алушы топтары жас, жыныс және сабаққа қатысу сияқты санаттар негізінде талданды. Байес әдісін қолдана отырып, екі жыныстағы білім алушылардың есептеулері мен үлгерімінің болжамына сүйене отырып, нәтижелер алынды: әйел білім алушылар үшін модельдің дәлдігі шамамен 80% құрайды, яғни білім алушылардың үлгерімі болжамдарының 80% - ы дұрыс болады; ер білім алушылар үшін модельдің дәлдігі шамамен 75% құрайды, яғни ер білім алушылардың үлгерімі туралы болжамдардың 75% - ы дұрыс болады.

Level of implementation (in Russian) : По результатам исследования в 2024-2025 учебном году утверждены темы магистерской диссертации по ОП 7В01503- "Подготовка педагога информатики" и темы дипломных проектов по ОП 6В01503- "Подготовка учителя информатики".

Level of implementation (in Kazakh) : Зерттеу нәтижелері бойынша 7В01503- “Информатика педагогін даярлау” ББ бойынша магистрлік диссертация тақырыптары және 6В01503- “Информатика мұғалімін даярлау” ББ дипломдық жоба тақырыптары 2024-2025 оқу жылында бекітілген

Efficiency (in Russian) : Результаты исследования можно использовать при разработке образовательной программы и прогнозировании успеваемости студентов

Efficiency (in Kazakh) : Зерттеу нәтижелері білім беру бағдарламалын жасау барысында және студенттердің үлгерімін болжауға пайлануға болады

Field of application (in Russian) : Область применения - высшее и дистанционные образовательные учреждения. Целевые потребители полученных результатов - администраторы, преподаватели и обучающиеся вузов.

Field of application (in Kazakh) : Қолдану саласы-жоғары және қашықтықтан білім беру мекемелері. Алынған нәтижелердің мақсатты тұтынушылары –ЖОО әкімшілері, оқытушылары мен білім алушылары болып табылады