АНАЛІЗ ФАКТОРІВ І МОДЕЛЕЙ ПРОГНОЗУВАННЯ УСПІШНОСТІ СТУДЕНТІВ У ЗАКЛАДАХ ВИЩОЇ ОСВІТИ З ВИКОРИСТАННЯМ ШТУЧНОГО ІНТЕЛЕКТУ

АНАЛІЗ ФАКТОРІВ І МОДЕЛЕЙ ПРОГНОЗУВАННЯ УСПІШНОСТІ СТУДЕНТІВ У ЗАКЛАДАХ ВИЩОЇ ОСВІТИ З ВИКОРИСТАННЯМ ШТУЧНОГО ІНТЕЛЕКТУ Анотація.У статті розглянуто сучасні підходи до прогнозування результатів успішності студентів на основі аналізу багатофакторних освітніх даних та методів штучного інтелекту.Здійснено класифікацію факторів впливу на результати навчання за демографічною, соціально-економічною, академічною, поведінковою та інституційною групами.Для забезпечення коректного міжгрупового порівняння використано нормалізацію показників впливу до уніфікованого діапазону значень.Окрему увагу приділено аналізу новітніх та недостатньо вивчених показників, зокрема психоемоційних характеристик, цифрової комунікаційної активності, просторово-часових патернів участі в освітньому процесі та даних із носимих пристроїв.Проаналізовано основні групи моделей прогнозування успішності студентів, зокрема статистичні, методи машинного навчання та моделі глибокого навчання.Встановлено, що найбільш перспективними є ансамблеві та гібридні підходи, зокрема моделі на основі XGBoost, CatBoost та архітектури CNN-LSTM, які демонструють високу точність при роботі з гетерогенними та часовими даними.Окремо розглянуто обмеження практичного впровадження таких моделей, пов'язані з фрагментованістю освітніх даних, ризиками перенавчання, проблемами узагальненості та недостатньою прозорістю алгоритмів.Обґрунтовано доцільність інтеграції методів пояснюваного штучного інтелекту (Explainable Artificial Intelligence, XAI) у процес побудови прогнозних моделей.Показано, що застосування підходів SHAP та LIME сприяє підвищенню інтерпретованості результатів моделювання, формуванню довіри з боку викладачів та адміністративного персоналу, а також забезпечує № 13(54) 2025 2383