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.