rst Информационно-экономические аспекты стандартизации и технического регулирования Informatsionno-ekonomicheskiye aspekty standartizatsii i tekhnicheskogo regulirovaniya 2311-1348 ФГБУ «Институт стандартизации» QJTTNQ 82707604 Research Article Информационные системы и процессы information systems and processes АНАЛИЗ БОЛЬШИХ ДАННЫХ ДЛЯ ПРОГНОЗИРОВАНИЯ ФАКТОРОВ УСПЕШНОЙ АДАПТАЦИИ ИНОСТРАННЫХ СТУДЕНТОВ BIG DATA ANALYSIS FOR PREDICTING FACTORS OF SUCCESSFUL ADAPTATION OF FOREIGN STUDENTS Погодин И. М. Pogodin I. M.

Погодин И. М., Аспирант ФГБУ «Институт стандартизации»

Москва, Россия

Pogodin I. M., Graduate student Russian Standardization Institute

Moscow, Russia

 Садыхбеков А. Д. Sadykhbekov A. D.о.

Садыхбеков А. Д., Московский городской педагогический университет

Москва, Россия

Sadykhbekov A. D.о., Moscow City Pedagogical University

Moscow, Russia

 ФГБУ «Институт стандартизации» Россия Russian Standardization Institute Russian Federation 2025 114 85 39 45 Copyright © Погодин И. М., Садыхбеков А. Д., 2026 2026 Погодин И. М., Садыхбеков А. Д. Pogodin I. M., Sadykhbekov A. D. Данная работа распространяется под лицензией Creative Commons Attribution 4.0. https://iea.gostinfo.ru/article/view/34

В статье представлена разработка аналитической системы больших данных (АСБД) на основе искусственного интеллекта для раннего выявления иностранных студентов из группы риска академической неуспеваемости. Система использует двухэтапный итеративный подход, включающий методы машинного обучения (ML) и глубокого обучения (DL) для анализа данных о взаимодействии студентов с системой управления обучением (LMS). На первом этапе применяются алгоритмы машинного обучения (J48, Random Forest, OneR, DecisionStump, NBTree) с использованием ансамблевой техники, на втором - алгоритмы глубокого обучения (LSTM, MLP, Sequential Model) после балансировки данных. Модель учитывает различные факторы, включая языковую подготовку, культурную адаптацию и академическую успеваемость студентов. Разработанная система позволяет своевременно выявлять проблемные ситуации в обучении иностранных студентов и предоставлять целенаправленную поддержку для повышения эффективности их образовательного процесса.

The article presents the development of a big data analytics system (BDAS) based on artificial intelligence for early identification of foreign students at risk of academic underperformance. The system employs a two-stage iterative approach, combining machine learning and deep learning methods to analyze data on student interactions with a learning management system (LMS). The first stage uses machine learning algorithms (J48, Random Forest, OneR, DecisionStump, NBTree) with an ensemble technique, while the second stage applies deep learning algorithms (LSTM, MLP, Sequential Model) after data balancing. The model accounts for various factors, including language preparation, cultural adaptation, and student academic performance. The developed system enables timely detection of problematic learning situations among foreign students and provides targeted support to enhance the effectiveness of their educational process.

 БОЛЬШИЕ ДАННЫЕ МАШИННОЕ ОБУЧЕНИЕ ГЛУБОКОЕ ОБУЧЕНИЕ ИНОСТРАННЫЕ СТУДЕНТЫ АКАДЕМИЧЕСКАЯ УСПЕВАЕМОСТЬ ПРОГНОЗИРОВАНИЕ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ BIG DATA MACHINE LEARNING DEEP LEARNING FOREIGN STUDENTS ACADEMIC PERFORMANCE FORECASTING DECISION SUPPORT SYSTEM References Ifenthaler D., Gibson D.C. Implementation and Application of AI in Higher Education: Case Studies and Recommendations // International Journal of Educational Technology in Higher Education. 2020. Vol. 17, № 1. https://doi.org/10.1186/s41239-020-0177-7 Ifenthaler D., Gibson D.C. Implementation and Application of AI in Higher Education: Case Studies and Recommendations // International Journal of Educational Technology in Higher Education. 2020. Vol. 17, № 1. https://doi.org/10.1186/s41239-020-0177-7 Погодин И.М., Садыхбеков А.Д. Применение аналитики больших данных в онлайн-обучении иностранных студентов, изучающих русский язык в целях их адаптации // Информационно-экономические аспекты стандартизации и технического регулирования. 2025. № 1(82). С. 76–81. Pogodin I.M. Sadykhbekov A.D.о. Application of Big Data Analytics in Online Education of Foreign Students Learning Russian for Adaptation Purposes. Information-Economic Aspects of Standardization and Technical Regulation, 2025, no. 1(82), pp. 76–81. Бурый А.С., Погодин И.М. Оценка качества больших данных. Часть 1. Основные понятия и метрики // Информационно-экономические аспекты стандартизации и технического регулирования. 2024. № 3(78). С. 49–58 Buryi A.S., Pogodin I.M. Ocenka kachestva bol’shih dannyh. Part 1. Osnovnye ponyatiya i metriki Information-Economic Aspects of Standardization and Technical Regulation, 2024, no. 3(78), pp. 49–58. Delen D. Predicting Student Attrition with Data Mining Methods // Journal of College Student Retention: Research // Theory & Practice. 2011. Т. 13, № 1, pp. 17–35. Delen D. Predicting Student Attrition with Data Mining Methods // Journal of College Student Retention: Research // Theory & Practice. 2011. Т. 13, № 1, pp. 17–35. Бурый А.С., Цаплина О.С. Генеративный искусственный интеллект цифрового университета // Информационноэкономические аспекты стандартизации и технического регулирования. 2024. № 5(80). С. 85–91. Buryi A.S., Tsaplina O.S. Generativnyj iskusstvennyj intellekt cifrovogo universiteta. Information-Economic Aspects of Standardization and Technical Regulation, 2024, no. 5(80), pp. 85–91. Borna M-R., Saadat H., Hojjati A.T., Akbari E. Analyzing click data with AI: implications for student performance prediction and learning assessment // Frontiers in Education. 2024. T. 9. Art. 1421479. https://doi.org/10.3389/feduc.2024.1421479 Borna M-R., Saadat H., Hojjati A.T., Akbari E. Analyzing click data with AI: implications for student performance prediction and learning assessment // Frontiers in Education. 2024. T. 9. Art. 1421479. https://doi.org/10.3389/feduc.2024.1421479 AI Agents for Student Success Prediction: Complete Guide // Rapid Innovation. 2024. URL: https://www.rapidinnovation. io/post/ai-agents-for-student-success-prediction (Дата обращения: 25.03.2025). AI Agents for Student Success Prediction: Complete Guide // Rapid Innovation. 2024. URL: https://www.rapidinnovation. io/post/ai-agents-for-student-success-prediction (Дата обращения: 25.03.2025). Guanin-Fajardo J.H., Guaña-Moya J., Casillas J. Predicting Academic Success of College Students Using Machine Learning Techniques // Data. 2024. № 9. С. 60. https://doi.org/10.3390/data9040060 Guanin-Fajardo J.H., Guaña-Moya J., Casillas J. Predicting Academic Success of College Students Using Machine Learning Techniques // Data. 2024. № 9. С. 60. https://doi.org/10.3390/data9040060 Wang K. Optimized ensemble deep learning for predictive analysis of student achievement // PLoS ONE. 2024. № 19(8). C. e0309141. DOI: https://doi.org/10.1371/journal.pone.0309141 Wang K. Optimized ensemble deep learning for predictive analysis of student achievement // PLoS ONE. 2024. № 19(8). C. e0309141. DOI: https://doi.org/10.1371/journal.pone.0309141 7 Metrics for Tracking Student Success with AI // Quizcat. 2024. URL: https://www.quizcat.ai/blog/7-metrics-for-trackingstudent-success-with-ai (Дата обращения: 25.03.2025). 7 Metrics for Tracking Student Success with AI // Quizcat. 2024. URL: https://www.quizcat.ai/blog/7-metrics-for-trackingstudent-success-with-ai (Дата обращения: 25.03.2025). Baig T., Bandeali M.M., Bhutto M.Y., Gul H. The Impact of Artificial Intelligence on Adaptive Learning: A Comparative Study of Traditional and AI-Based Pedagogie // Dialogue Social Science Review (DSSR). 2025. T. 3, № 3. С. 926–941. Baig T., Bandeali M.M., Bhutto M.Y., Gul H. The Impact of Artificial Intelligence on Adaptive Learning: A Comparative Study of Traditional and AI-Based Pedagogie // Dialogue Social Science Review (DSSR). 2025. T. 3, № 3. С. 926–941.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

The authors declare that there are no conflicts of interest present.