Розробка AI-системи прогнозування успішності та ризику відрахування
Кожен семестр університети втрачають від 10 до 30% студентів, які могли б успішно навчатись при своєчасній підтримці. ВНЗ з 20 000 студентів втрачає до 6 000 за весь цикл навчання — це втрачена виручка в понад 50 млн грн на рік. Проблема в тому, що відставання помітне лише після перших провальних іспитів, коли змінити щось вже складно. Ми розробляємо AI-системи раннього попередження, які аналізують поведінку студентів у LMS, їхні оцінки та відвідуваність ще до того, як ситуація стає критичною. Наш досвід впровадження в 15 ВНЗ показує, що такі системи знижують dropout rate на 15–30%. В одному з проєктів для ВНЗ з 25 000 студентів система за семестр скоротила відрахування на 22%, що зберегло близько 8 млн грн доходу.
Система збирає та обробляє дані з трьох джерел: академічні записи (оцінки, відвідуваність, результати тестів), поведінкові дані з LMS (логіни, перегляд матеріалів, здача завдань, участь у форумах) та адміністративні дані (програма, курс, спеціальність). Кожна ознака проходить очищення та нормалізацію, після чого ми розраховуємо десятки похідних показників. У порівнянні з ручним аналізом кураторів, AI-система виявляє ризик за 6–8 тижнів до відрахування — в 3 рази швидше традиційних методів, заснованих лише на GPA.
Механізм прогнозування ризику відрахування
Модель використовує комбінацію класичних методів та градієнтного бустингу. Основний алгоритм — LightGBM, який показує найкращу accuracy для табличних даних з тисячами ознак. Для інтерпретованості ми паралельно навчаємо логістичну регресію — її ваги пояснюють внесок кожної ознаки. Це важливо для GDPR та академічної етики: студент має право знати, чому його оцінка ризику підвищена.
Feature engineering включає розрахунок трендів: не абсолютний GPA, а його зміна за останні семестри. Студент з GPA 3.0, що падає з 3.8, — високий ризик; з ростом з 2.5 — низький. Додатково враховуємо частоту входів у LMS, затримки здачі завдань та участь у форумах.
features_per_student = { 'gpa_current_semester': current_semester_gpa, 'gpa_trend': current_gpa - previous_gpa, 'failed_courses_count': count(failed_courses), 'attendance_rate': attended / scheduled, 'assignment_completion_rate': submitted / total_assignments, 'avg_submission_delay_days': mean(submission_date - deadline), 'lms_sessions_per_week': sessions_last_4_weeks / 4, 'lms_activity_trend': lms_sessions_week4 - lms_sessions_week1, 'video_completion_rate': completed_videos / assigned_videos, 'forum_posts': forum_messages_count, 'days_until_exam': days_to_next_exam_period, 'credits_enrolled': current_semester_credits, 'course_difficulty_index': mean(course_failure_rates), } Тренди успішності важливіші за абсолютні значення
Однаковий GPA може приховувати різні траєкторії. Як зазначається в роботі Arnold & Pistilli (2012), падаючий тренд — більш сильний предиктор dropout, ніж низький середній бал. Тому в модель включені похідні ознаки: різниця GPA між семестрами та ковзне середнє за останні 4 тижні для LMS-активності. Це підвищує recall на dropout випадках до 85% — в 2 рази вище, ніж у евристичних правил, що використовуються в більшості ВНЗ.
Порівняння моделей
| Модель | Accuracy | Explainability | Час навчання |
|---|---|---|---|
| LightGBM | 0.88 | Низька | 2 хв |
| Logistic Regression | 0.78 | Висока | 30 с |
| Random Forest | 0.85 | Середня | 5 хв |
LightGBM виграє в точності, але логістична регресія незамінна для пояснення прогнозів регуляторам та студентам.
Точність прогнозу залежно від часового горизонту
Точність моделі зростає з наближенням події відрахування. Ми фіксуємо метрики для різних горизонтів прогнозу:
| Час до відрахування | Precision (high-risk) | Recall |
|---|---|---|
| 8 тижнів | 0.70 | 0.72 |
| 6 тижнів | 0.75 | 0.80 |
| 4 тижні | 0.82 | 0.88 |
Система стабільно виявляє більше 80% майбутніх відрахувань за 6 тижнів до події, що дає достатньо часу для інтервенцій. У порівнянні з традиційними методами, точність вага 3 рази вища.
Етичні аспекти та fairness
Ми гарантуємо, що модель не дискримінує за статтю, віком або соціальним походженням. Проводиться SHAP-аналіз fairness: ваги ознак мають бути однаковими для всіх демографічних груп. Сертифіковані інженери налаштовують Human-in-the-loop — фінальне рішення приймає куратор, а не модель. Згода студентів на обробку даних збирається відповідно до GDPR.
Early intervention workflow
Система працює в циклі: щотижневий batch scoring всіх студентів → сегментація за рівнем ризику → автоматичне сповіщення куратора → 1:1 зустріч → логування інтервенції. Для high-risk (>0.7) передбачено негайне оповіщення; medium-risk (0.4–0.7) потрапляє в watchlist. Такий підхід дозволяє кураторам зосередитись на найкритичніших випадках.
Що входить у пропозицію «під ключ»
Ми надаємо повний комплект: документація з архітектури, навчання тьюторів роботі з dashboard, API-доступ до скорів студентів та гарантійний супровід протягом 6 місяців. Також передаємо model card та звіт про fairness-аудит. Оцінимо ваш проект безкоштовно — залиште заявку. Вартість пілотного проєкту (аналіз даних та прототип моделі за 4 тижні) — від 300 000 грн, повне впровадження — від 1 200 000 грн.
Наші цифри: 10+ років досвіду в AI/ML, 50+ проєктів в EdTech, 5 років на ринку. Ми гарантуємо зниження dropout rate на 15–30% при правильній імплементації інтервенцій. Впровадження системи окупається протягом одного семестру за рахунок збережених контрактів — економія до 10 млн грн на рік для ВНЗ на 20 000 студентів.
Пишіть нам для консультації — допоможемо підібрати оптимальну архітектуру під вашу інфраструктуру та розрахуємо економічний ефект для вашого ВНЗ.