РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ДЛЯ АНАЛИЗА УСПЕВАЕМОСТИ СТУДЕНТОВ

Аннотация. Объектом исследования является деятельность деканата по контролю и анализу успеваемости студентов.

Ключевые слова: автоматизированная система, анализ данных, задолженности, успеваемость.

Целью данной работы является повышение эффективности работы сотрудников деканата в части реализации программы повышения успеваемости студентов.

Для достижения цели необходимо рассмотреть существующие методики анализа данных, выполнить проектирование системы, реализовать и протестировать систему.

Требования, выдвигаемые к информационной системе:

1) анализ задолженностей студентов:

• загрузка данных из *.xls и *.xlsx и формирование файла, содержащего сводные данные: год обучения, группа, количество дисциплин у группы в семестре;
• визуализация динамики количества задолженностей студентов;
• формирование тепловой карты задолженностей;
• визуализация распределения задолженностей по семестрам;

2)оценка сбалансированности учебного плана:

• загрузка данных из *.xls и *.xlsx и формирование файла, содержащего сводные данные: год обучения, группа, семестра, дисциплины, тип контроля, в зависимости от которого указывается средний балла по дисциплине или процент предметов, по которым студент получил зачет;
• визуализация распределения нагрузки в семестрах по разным формам отчетности (экзамен, зачет, зачет с оценкой);
• визуализация  динамики среднего балла по экзаменам и процента сдачи зачетов;
• подсчет среднего балла по всем дисциплинам группы;

3) расчет корреляции между лидером группы и группы целиком:

• загрузка данных из *.xls и *.xlsx и формирование файла, содержащего сводные данные: год обучения, группа, семестра, средний балл группы и средний балл лидера группы;
• расчет корреляции для всех образовательных программ и формирование тепловой карты коэффициентов корреляции.

4) расчет корреляция между результатами ЕГЭ и сессии первого курса:

• поля ввода названия дисциплин для анализа

• загрузка данных из *.xls и *.xlsx и формирование файла, содержащего сводные данные для каждого студента по введенным дисциплинам: количество баллов ЕГЭ и оценка за сессию;
• расчет коэффициента корреляции и визуализация распределения баллов ЕГЭ и оценок за сессию.

В результате реализовано веб-приложение, соответствующее заданным требованиям.

Для тестирования использовались данные об успеваемости первого курса за несколько лет. Так как у одной и той же специальности в зависимости от года обучения отличаются номера групп, например, 523 для 2023-2024 года обучения и 524 для 2024-2025 года, то для удобства используются только первые две цифры номера группы, которые обозначают образовательную программу.

На рисунке 1 представлен пример визуализации динамики задолженностей по образовательным программам.

Рисунок 1. Пример визуализации динамики задолженностей по образовательным программам

Проанализировав полученные графики, можно сделать вывод, что у 51-ых групп несколько семестров подряд возрастало количество задолженностей, но в последнем семестре ситуация улучшилась, также видно, что у 52-ых групп последние два семестра сокращается количество задолженностей. У 53-их групп был заметный скачок в осеннем семестре 23/24 учебного года, но также видна тенденция на уменьшение количества задолженностей. Самое большое количество задолженностей стабильно имеют 57-ые группы, но в последнем семестре произошло уменьшение количества задолженностей.

На рисунке 2 представлен пример тепловой карты задолженностей.

Рисунок 2. Тепловая карта задолженностей

Тепловая карта дополнительно подтверждает, что самыми проблемными по количеству задолженностей являются 57-ые группы, это видно по ярко красным ячейкам. Также стоить отметить 53-и группы, у которых заметен сильный скачок по количеству задолженностей в последних трех семестрах. У 51-ых заметна тенденция на увеличение количества задолженностей, несмотря на то, что ячейки не окрашены в ярко-красный цвет.

На рисунке 3 представлен пример диаграммы распределения задолженностей по семестрам.

Рисунок 3. Диаграмма распределения задолженностей по семестрам

По диаграмме распределения задолженностей по семестрам можно сделать вывод, что у 51-ых, 54-ых, 57-ых и 59-ых большая часть академических задолженностей приходится на осенний семестр, у остальных групп – на весенний.

На рисунке 4 представлен пример оценки сбалансированности учебного плана.

Рисунок 4. Оценка сбалансированности учебного плана

По полученным графикам можно увидеть, что у представленной образовательной программы снизился средний балл и процент сдачи зачетов, при этом по распределению нагрузки видно, что пробовались разные способы распределения зачетов и экзаменов по количеству в семестре, дисциплина с самым низким средним баллом – математика.

На рисунке 5 представлена тепловая карта корреляций между успеваемостью лидера группы и группы целиком.

Рисунок 5. Тепловая карта корреляций между успеваемостью лидера группы и группы целиком

Из полученных результатов можно сделать вывод, что в 52-ых и 57-ых группах успеваемость старосты хорошо отражает успеваемость группы: умеренная и сильная связи соответственно. В 51-ых и 58-ых чем лучше учится староста, тем хуже успеваемость группы или наоборот.

На рисунке 6 представлен расчет корреляции между результатами ЕГЭ и сессии первого курса по математике.

Рисунок 6. Расчет корреляции между результатами ЕГЭ и сессии первого курса по математике

Коэффициенты корреляции меньше 0.3, что свидетельствует о слабой связи, то есть высокое количество баллов по ЕГЭ по математике не гарантирует высокую оценку по результатам сессии по этой же дисциплине.

Заключение. В результате разработана автоматизированная система для анализа успеваемости студентов, поддерживающая обработку и загрузку файлов, анализ задолженностей студентов, оценку сбалансированности учебного плана, расчет корреляции между успеваемостью лидера группы и группы в целом, а также расчет корреляции между результатами ЕГЭ и сессии первого курса.