Применение методов машинного обучения для выявления взаимосвязи академической успеваемости и данных профиля социальной сети

Main Article Content

Ильяс Раисович Ихсанов

Ирина Сергеевна Шахова

Аннотация

Предложена модель машинного обучения для выявления взаимосвязи между данными профиля социальной сети и академической успеваемости учащегося, а также прогнозирования среднего балла успеваемости по данным параметрам.

Ключевые слова:

машинное обучение, социальные сети, психометрия, академическая успеваемость, образование, абитуриент

Article Details

Как цитировать
Ихсанов, И. Р., & Шахова, И. С. (2019). Применение методов машинного обучения для выявления взаимосвязи академической успеваемости и данных профиля социальной сети. Электронные библиотеки, 22(2), 95-118. https://doi.org/10.26907/1562-5419-2019-22-2-95-118
Сведения об авторах

Ильяс Раисович Ихсанов, Высшая школа информационных технологий и интеллектуальных систем Казанского (Приволжского) федерального университета

Бакалавр Высшей школы информационных технологий и интеллектуальных систем Казанского (Приволжского) федерального университета по направлению «Прикладная информатика».

Ирина Сергеевна Шахова, Высшая школа информационных технологий и интеллектуальных систем Казанского (Приволжского) федерального университета

Ассистент кафедры программной инженерии Высшей школы информационных технологий и интеллектуальных систем Казанского федерального университета. Сфера научных интересов – мобильные приложения, цифровые образовательные системы, индивидуализация образования, мобильное обучение.

Литература

Pritchard M. Using Emotional and Social Factors to Predict Student Success // Journal of College Student Development. 2003. V. 44, No 1. P. 18–28.
What your Facebook likes say about you. URL: https://www.cbc.ca/ news/technology/facebook-likes-like-a-gift-1.3893298.
Психометрический вступительный экзамен в Израиле // Официальный сайт путеводителя по Израилю. URL: https://guide-israel.ru/country/ 37376-psixometricheskij- vstupitelnyj- ekzamen/.
Shuotian B., Tingshao Z., Li C. Big-Five Personality Prediction Based on User Behaviors at Social Network Sites // Cornell University, Tech. Rep. 2012.
Friedrichsen M., Mühl-Benninghaus W. Handbook of Social Media Managment Value Chain and Business Models in changing media marketing. Springer-Verlag Berlin Heidelberg, 2013. 880 p.
Junco R. Too much face and not enough books: The relationship between multiple indices of Facebook use and academic performance // Computers in Human Behavior. 2012. V. 28, No 1. P. 187–198.
Junco R. The relationship between frequency of Facebook use, participation in Facebook activities, and student engagement Received // Magazine Computers & Education. 2012. V. 58, No 1. P. 162–171.
Kosinski M., Stillwell D., Graepel T. Private traits and attributes are predictable from digital records of human behavior // Magazine PNAS. 2013. V. 110, No 15. P. 5802–5805.
Мацута В.В., Киселев П.Б., Фещенко А.Б., Гойко В.Л., Сузанова Е.А., Степаненко А.А. Методы и инструменты выявления перспективных абитуриентов в социальных сетях // Открытое и дистанционное образование. 2017. № 4. C. 45–52.
Penetration of leading social networks in Russia as of 4th quarter 2017 // Statistica. URL: https://www.statista.com/statistics/284447/russia-social-network-penetration/.
Мотивы проявления студентами колледжей социальной активности в социальных сетях: регионального аспекта // Электронный научный архив УрФУ. URL: http://elar.urfu.ru/bitstream/ 10995/59123/1/978-5-91256-403-1_2018_053.pdf.
Cоциальная сеть Вконтакте. URL: https://vk.com/.
Политика конфиденциальности VK.com // Cоциальная сеть Вконтакте. URL: https://vk.com/privacy.
VK.com python API wrapper // GitHub. URL: https://github.com/ voronind/vk.
Kaggle. URL: https://www.kaggle.com/.
What are outliers in the data // Engineering statistics handbook. URL: https://www.itl.nist.gov/div898/handbook/prc/section1/prc16.htm.
Histograms and density plots in python // Towards data science. URL: https://towardsdatascience.com/histograms-and-density-plots-in-python-f6bda88f5ac0.
How to normalize and standardize your machine learning data in weka // Machine learning mastery. URL: https://machinelearningmastery.com/normalize- standardize-machine-learning-data-weka/.
Generalized Linear Models // Scikit-learn. URL: https://scikit-learn.org/ stable/supervised_learning.html.
Overfitting vs underfitting: a conceptual explanation // Towards data science. URL: https://towardsdatascience.com/overfitting-vs-underfitting-a- conceptual-explanation-d94ee20ca7f9.
Что такое кросс-валидация // Data Science. URL: http://datascientist. one/cross-validation/.
What is the difference between a parameter and a Hyperparameter? // Machine Learning Mastery. URL: https://machinelearningmastery.com/difference- between-a-parameter-and-a-hyperparameter/.