СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ СНИЖЕНИЯ УЧЕБНОЙ ВОВЛЕЧЁННОСТИ ШКОЛЬНИКОВ

Аннотация

В статье проводится сравнительный теоретико-методологический анализ методов машинного обучения применительно к задаче прогнозирования снижения учебной вовлечённости школьников. Рассматриваются шесть классов алгоритмов: логистическая регрессия, деревья решений, метод случайного леса, градиентный бустинг (XGBoost), рекуррентные нейронные сети с архитектурой LSTM и модели анализа временны́х рядов (ARIMA). Для каждого метода описываются принцип действия, эмпирически подтверждённые показатели качества прогноза (AUC), требования к объёму и структуре данных, степень интерпретируемости и практические ограничения применения в условиях школьной образовательной среды. Показано, что значения AUC варьируются в широком диапазоне в зависимости от контекста и объёма обучающих данных. На основе многокритериального сравнения обосновывается вывод о том, что метод случайного леса в сочетании с инструментами объяснимого ИИ (SHAP) является наиболее сбалансированным решением для практического прогнозирования академических рисков в условиях ограниченного объёма образовательных данных, характерного для школ.