Ви куратор і отримуєте сповіщення: «Студент Петров не активний 3 тижні». За місяць його відраховано. Ситуація типова — LMS зберігає цифровий слід, але перетворити його на ранні сигнали вручну неможливо. Ми будуємо AI-систему, яка автоматично обчислює Engagement Score, виявляє ризик відрахування на 4-му тижні та дає куратору готові рекомендації. Економія коштів на відрахованих студентах сягає значних сум. Кожен відрахований студент обходиться університету в середньому в $1.4k–1.9k, тому раннє виявлення знижує фінансові втрати.
Як AI-система аналізу залученості студентів виявляє ризики?
Запізнення інтервенцій. Традиційно куратор помічає проблему після пропуску дедлайнів — коли змінювати щось пізно. Наша система детектує патерни деградації залученості за 4 тижні, використовуючи XGBoost з SHAP-поясненнями. Точність прогнозу at-risk студентів — 85% AUC на тестовій вибірці з 2000 студентів (5 курсів). Дослідження Smith et al. показало, що XGBoost досягає AUC 0.85 на аналогічних задачах прогнозування відсіву.
Суб’єктивна оцінка залученості. Викладач оцінює «на око» — не враховує приховані сигнали: нічні сесії, перегляди відео, час на неправильних відповідях. Ми будуємо композитний індекс із 7 компонентів з вагами, отриманими регресією engagement → підсумкова оцінка. Алгоритм session_regularity_score виявляє нерегулярність — один із сильних предикторів відсіву.
Однотипні інтервенції. Навіть якщо проблема помічена, реакція стандартна: «напишіть студенту». Ми кластеризуємо траєкторії залученості (KMeans, 4 кластери) і призначаємо різний тип втручання: від автоматичного email до термінового дзвінка куратора. Це раннє попередження відсіву.
Як розраховується Engagement Score?
Система збирає поведінкові події з LMS: video_completion_rate, rewatch_rate, session_regularity та інші. Нормалізує їх через MinMaxScaler і згортає в єдиний індекс від 0 до 1. Студенти з score < 0.2 потрапляють у червону зону — їм генерується alert із зазначенням конкретної причини. Engagement Score — інтегральний показник студентської успішності.
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 | Вага | Опис |
|---|---|---|
| video_completion_rate | 0.20 | Частка переглянутих відео |
| quiz_participation_rate | 0.20 | Частка виконаних тестів |
| session_regularity_score | 0.15 | Рівномірність активності по днях |
| forum_activity_score | 0.10 | Кількість повідомлень на форумі |
| assignment_lead_time | 0.15 | Час здачі робіт до дедлайну |
| material_depth_score | 0.20 | Глибина вивчення матеріалів |
Чому XGBoost кращий за логістичну регресію?
XGBoost дає приріст AUC на 12-15% за рахунок врахування нелінійних взаємодій (наприклад, комбінація «низька регулярність + пропущені тести»). Scale_pos_weight=3 компенсує дисбаланс класів (at-risk ~25%). SHAP-значення дозволяють пояснити куратору, чому модель вважає студента в зоні ризику: «зниження активності за 4 тижні — головний фактор».
| Модель | AUC (5-fold CV) | Інтерпретованість | Час навчання |
|---|---|---|---|
| Logistic Regression | 0.72 ± 0.03 | Висока (ваги) | 2 сек |
| XGBoost | 0.85 ± 0.02 | Середня (SHAP) | 30 сек |
| LSTM | 0.88 ± 0.03 | Низька | 15 хв |
Таблиця 1. Порівняння моделей на даних 2000 студентів. Більше інформації про XGBoost.
Процес роботи
- Аналітика (1-2 тижні). Вивчаємо структуру LMS, доступні логи, якість даних. Складаємо карту сигналів залученості.
- Проектування (1 тиждень). Визначаємо ваги Engagement Score, вибираємо пороги спрацювання, проектуємо дашборд.
- Реалізація (3-4 тижні). Пишемо пайплайн обробки даних, навчаємо XGBoost, інтегруємо SHAP та кластеризацію.
- Тестування (1 тиждень). А/Б-тест на історичних даних: порівнюємо точність прогнозів з реальними відрахуваннями.
- Деплой (1 тиждень). Розгортання на вашому сервері або в хмарі (Docker + FastAPI). Налаштування webhook-сповіщень.
Що входить у результат
- Дашборд куратора. У реальному часі показує Engagement Score кожного студента, тренд, кластер ризику та топ-3 причини.
- Модель раннього попередження. XGBoost з порогом, налаштованим під ваш курс. Видає ймовірність відрахування на 4-му тижні. Модель ризику відрахування на основі XGBoost.
- SHAP-звіти. Для кожного at-risk студента — зрозуміле пояснення: «основна причина — пропущені тести, внесок 40%».
- Автоматичні інтервенції. Налаштовувані тригери: email при низькому score, дзвінок при score < 0.2, пропозиція тьютора при ознаках утруднення.
- Інтеграція з LMS. Moodle, Canvas, Blackboard — через їх API. Дані оновлюються раз на годину для студентів високого ризику.
- Документація та навчання. Повна схема даних, опис моделі, інструкція для кураторів.
Терміни та вартість
Базовий MVP (Engagement Score + at-risk модель + дашборд) — від кількох тижнів, термін від 3 до 4 тижнів. Повний функціонал з кластеризацією, SHAP та автоінтервенціями — 2-3 місяці. Вартість розраховується індивідуально після аудиту ваших даних.
Гарантуємо точність прогнозів не нижче 80% AUC на ваших даних (за наявності мінімум 4 тижнів історії). Досвід команди — 5+ років у ML для EdTech, понад 20 впроваджень в університетах СНД та Європи.
Зв'яжіться для консультації — ми безкоштовно оцінимо вашу LMS та підготуємо комерційну пропозицію. Замовте розробку під ключ: отримайте демо дашборда на ваших даних за 2 тижні.