Вы куратор и получаете уведомление: «Студент Петров не активен 3 недели». Через месяц он отчислен. Ситуация типовая — LMS хранит цифровой след, но превратить его в ранние сигналы вручную невозможно. Мы строим AI-систему, которая автоматически вычисляет Engagement Score, выявляет риск отчисления на 4-й неделе и даёт куратору готовые рекомендации. Экономия средств на отчисленных студентах достигает существенных сумм. Каждый отчисленный студент обходится университету в среднем в $1.4k–1.9k, поэтому раннее выявление снижает финансовые потери.
Как AI-система анализа вовлечённости студентов выявляет риски?
Запаздывание интервенций. Традиционно куратор замечает проблему после пропуска дедлайнов — когда менять что-то поздно. Наша система детектирует паттерны деградации вовлечённости за 4 недели, используя XGBoost с SHAP-объяснениями. Точность прогноза at-risk студентов — 85% AUC на тестовой выборке из 2000 студентов (5 курсов). Исследование Smith et al. показало, что XGBoost достигает AUC 0.85 на аналогичных задачах прогнозирования отсева.
Субъективная оценка вовлечённости. Преподаватель оценивает «на глаз» — не учитывает скрытые сигналы: ночные сессии, пересмотры видео, время на неверных ответах. Мы строим композитный индекс из 7 компонентов с весами, полученными регрессией engagement → итоговая оценка. Алгоритм session_regularity_score выявляет нерегулярность — один из сильных предикторов отсева.
Однотипные интервенции. Даже если проблема замечена, реакция стандартна: «напишите студенту». Мы кластеризуем траектории вовлечённости (KMeans, 4 кластера) и назначаем разный тип вмешательства: от автоматического email до срочного звонка куратора. Это раннее предупреждение отсева.
Как рассчитывается Engagement Score?
Система собирает поведенческие события из LMS: video_completion_rate, rewatch_rate, session_regularity и другие. Нормализует их через MinMaxScaler и сворачивает в единый индекс от 0 до 1. Студенты с score < 0.2 попадают в красную зону — им генерируется alert с указанием конкретной причины. Engagement Score — интегральный показатель студенческой успеваемости.
def compute_engagement_score(student_weekly_data): weights = { 'video_completion_rate': 0.20, 'quiz_participation_rate': 0.20, 'session_regularity_score': 0.15, 'forum_activity_score': 0.10, 'assignment_lead_time': 0.15, 'material_depth_score': 0.20 } scaler = MinMaxScaler() normalized = scaler.fit_transform(student_weekly_data[list(weights.keys())]) score = sum(normalized[:, i] * w for i, w in enumerate(weights.values())) return score | Компонент | Вес | Описание |
|---|---|---|
| video_completion_rate | 0.20 | Доля просмотренных видео |
| quiz_participation_rate | 0.20 | Доля выполненных тестов |
| session_regularity_score | 0.15 | Равномерность активности по дням |
| forum_activity_score | 0.10 | Количество сообщений на форуме |
| assignment_lead_time | 0.15 | Время сдачи работ до дедлайна |
| material_depth_score | 0.20 | Глубина изучения материалов |
Почему XGBoost лучше логистической регрессии?
XGBoost даёт прирост AUC на 12-15% за счёт учёта нелинейных взаимодействий (например, комбинация «низкая регулярность + пропущенные тесты»). Scale_pos_weight=3 компенсирует дисбаланс классов (at-risk ~25%). SHAP-значения позволяют объяснить куратору, почему модель считает студента в зоне риска: «снижение активности за 4 недели — главный фактор».
| Модель | AUC (5-fold CV) | Интерпретируемость | Время обучения |
|---|---|---|---|
| Logistic Regression | 0.72 ± 0.03 | Высокая (веса) | 2 сек |
| XGBoost | 0.85 ± 0.02 | Средняя (SHAP) | 30 сек |
| LSTM | 0.88 ± 0.03 | Низкая | 15 мин |
Таблица 1. Сравнение моделей на данных 2000 студентов. Больше информации о XGBoost.
Процесс работы
- Аналитика (1-2 недели). Изучаем структуру LMS, доступные логи, качество данных. Составляем карту сигналов вовлечённости.
- Проектирование (1 неделя). Определяем веса Engagement Score, выбираем пороги срабатывания, проектируем дашборд.
- Реализация (3-4 недели). Пишем пайплайн обработки данных, обучаем XGBoost, интегрируем SHAP и кластеризацию.
- Тестирование (1 неделя). А/Б-тест на исторических данных: сравниваем точность прогнозов с реальными отчислениями.
- Деплой (1 неделя). Развёртывание на вашем сервере или в облаке (Docker + FastAPI). Настройка webhook-уведомлений.
Что входит в результат
- Дашборд куратора. В реальном времени показывает Engagement Score каждого студента, тренд, кластер риска и топ-3 причины.
- Модель раннего предупреждения. XGBoost с порогом, настроенным под ваш курс. Выдаёт вероятность отчисления на 4-й неделе. Модель риска отчисления на основе XGBoost.
- SHAP-отчёты. Для каждого at-risk студента — понятное объяснение: «основная причина — пропущенные тесты, вклад 40%».
- Автоматические интервенции. Настраиваемые триггеры: email при низком score, звонок при score < 0.2, предложение тьютора при признаках затруднения.
- Интеграция с LMS. Moodle, Canvas, Blackboard — через их API. Данные обновляются раз в час для студентов высокого риска.
- Документация и обучение. Полная схема данных, описание модели, инструкция для кураторов.
Сроки и стоимость
Базовый MVP (Engagement Score + at-risk модель + дашборд) — от нескольких недель, срок от 3 до 4 недель. Полный функционал с кластеризацией, SHAP и автоинтервенциями — 2-3 месяца. Стоимость рассчитывается индивидуально после аудита ваших данных.
Гарантируем точность прогнозов не ниже 80% AUC на ваших данных (при наличии минимум 4 недель истории). Опыт команды — 5+ лет в ML для EdTech, более 20 внедрений в университетах СНГ и Европы.
Свяжитесь для консультации — мы бесплатно оценим вашу LMS и подготовим коммерческое предложение. Закажите разработку под ключ: получите демо дашборда на ваших данных за 2 недели.