Прогнозированиe трудоустройства студентов педагогического вуза на основе использования алгоритмов машинного обучения
https://doi.org/10.26907/esd.18.2.10
EDN: YWZVMY
Аннотация
Работа посвящена анализу проблемы, при которой на педагогические профили поступают, а после окончания обучения трудоустраиваются в систему образования не самые лучшие выпускники. В качестве возможного решения автор представляет прогнозирование профессиональной ориентации студентов. Для этого определена цель исследования – на основе внедрения различных алгоритмов машинного обучения разработать программу прогнозирования трудоустройства студентов педагогического вуза и экспериментально доказать эффективность ее использования. После случайного отбора студентов (2011-2016 годов набора) осуществлены сбор и обработка их анкет (n=205). Для создания программы были использованы различные алгоритмы машинного обучения: решающие деревья, логистическая регрессия и catboost. В процессе эксперимента в программу были загружены данные анкет для ее обучения по различным алгоритмам, чтобы в конечном итоге получить готовый интеллектуальный продукт с возможностью прогнозирования трудоустройства выпускников. В итоговом сравнении программа, разработанная на алгоритме «решающие деревья», допустила лишь 2 ошибки из 19 анкет и 7 ошибок из 61 анкеты, что составило самый наилучший результат – 89 % правильности прогноза. Реализация данного алгоритма позволяет наиболее точно, с наименьшим процентом ошибки выявить студентов, которые впоследствии не будут трудоустроены по профилю обучения или вообще не будут трудоустроены. Таким образом, в ходе исследования разработана интеллектуальная программа, которая позволяет моментально обрабатывать данные и получать точный прогноз трудоустройства с незначительной вероятностью ошибки.
Ключевые слова
прогнозирование,
трудоустройство,
педагогический вуз,
машинное обучение,
алгоритмы,
решающие деревья
Об авторе
Р. С. Наговицын
Глазовский государственный педагогический институт; Казанский государственный институт культуры
Россия
Россия
Роман С. Наговицын
г. Глазов
г. Казань
Список литературы
1. Елшанский, С. П. Школа будущего: может ли искусственный интеллект обеспечить когнитивную эффективность обучения? // Вестник Томского государственного университета. – 2021. – № 462. – C. 192-201. DOI:10.17223/15617793/462/23
2. Каспржак, А. Г. Институциональные тупики российской системы подготовки учителей // Вопросы образования. – 2013. – № 4. – C. 261-282.
3. Коляда, М. Г., Белых, С. И., Бугаева, Т. И., Олейник, О. С. Использование метода искусственного интеллекта для выявления психолого-педагогических аномалий в физкультурно-спортивной деятельности // Теория и практика физической культуры. – 2021. – № 9. – С. 66-69.
4. Наговицын, Р. С., Максимов, Ю. Г., Мирошниченко, А. А., Сенатор, С. Ю. Реализация дидактической модели подготовки студентов к новаторству в процессе непрерывного образования будущего учителя // Вестник Новосибирского государственного педагогического университета. – 2017. – Т. 7. – № 5. – C. 7-24. – DOI:10.15293/2226-3365.1705.01
5. Akundi, S. H., Soujanya, R., Madhuri, P. M. Big Data Analytics in Health care using Machine Learning Algorithms: A Comparative Study // International Journal of Online and Biomedical Engineering. – 2020. – Vol. 16. – No. 13. – P. 19-32. – DOI:10.3991/ijoe.v16i13.18609
6. Anuar, N. N., Hafifah, A. H., Zubir, S. M., Noraidatulakma, A., Rosmina, J., Ain, M. Y. N., Akma, H. M., Farawahida, Z. N., Shawani, K. A. A., Syakila, M. A. D. Arman, K. M., Rahman, A. J. Cardiovascular Disease Prediction from Electrocardiogram by Using Machine Learning // International Journal of Online and Biomedical Engineering. – 2020. – Vol. 16. – No. 7. – P. 34-48. – DOI:10.3991/ijoe.v16i07.13569
7. Bin, P. Analysis of Influence Factors on Current Employment Ability of Agriculture and Forestry University Students // Journal of Anhui Agricultural Sciences. – 2012. – No. 08. – P. 5056-5058
8. Cope, B., Kalantzis, M., Searsmith, D. Artificial intelligence for education: Knowledge and its assessment in AI-enabled learning ecologies // Educational Philosophy and Theory. – 2021. Vol. 53. – No. 12. – P. 1229-1245. – DOI:10.1080/00131857.2020.1728732
9. Fang, F. Research on the Application of Information Data Classification in Employment Guidance for Higher Vocational Students / ed. by Jan M.A., Khan F. // Application of Big Data, Blockchain, and Internet of Things for Education Informatization. BigIoT-EDU 2021. Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering. – Springer, Cham, 2021. – DOI:10.1007/978-3-030-87903-7_50
10. Hu, J. Teaching Evaluation System by use of Machine Learning and Artificial Intelligence Methods // International Journal of Emerging Technologies in Learning. – 2021. – Vol. 16. – No. 5. – P. 87-101. DOI:10.3991/ijet.v16i05.20299
11. Hussain, M., Zhu, W., Zhang, W., Abidi, R., Ali, S. Using machine learning to predict student difficulties from learning session data // Artificial Intelligence Review. – 2019. – Vol. 52. – No. 1. – P. 381-407. DOI:10.1007/s10462-018-9620-8
12. Hussain, S., Muhsin, Z., Salal, Y., Theodorou, P., Kurtoğlu, F., Hazarika, G. Prediction Model on Student Performance based on Internal Assessment using Deep Learning // International Journal of Emerging Technologies in Learning. – 2019. – Vol. 14. – No. 8. – P. 4-22. – DOI:10.3991/ijet.v14i08.10001
13. Jiang, Z. T., Yuan, Z. S., Yan, R. L. College Students Employment Forecasting Model Based on IAFSA-BP Parallel Integrated Learning Algorithm // Value Engineering. – 2019. – Vol. 38. – No. 19. – P. 232-234.
14. Khan, I., Ahmad, A. R., Jabeur, N., Mahdi, M. N. A Conceptual Framework to Aid Attribute Selection in Machine Learning Student Performance Prediction Models // International Journal of Interactive Mobile Technologies. – 2021. – Vol. 15. – No. 15. – P. 4-19. –DOI:10.3991/ijim.v15i15.20019
15. Knox, J. Artificial intelligence and education in China. Learning, Media and Technology. – 2020. Vol. 45. – No. 3. – P. 298-311. – DOI:10.1080/17439884.2020.1754236
16. Li, H. Y., Zhang, Y. Research on Employment Prediction and Fine Guidance based on Decision Tree Algorithm under the Background of Big Data // Journal of Physics Conference Series. – 2020. – No. 1601. – 032007. – DOI:10.1088/1742-6596/1601/3/032007
17. Li, Q., Sun, Y., Jiao, Y. F., Gao, C., Wang, M. J. Graduate employment forecast technique based on HMIGW feature selection and XGBoost // Computer System Applications. – 2019. – Vol. 28. – No. 06. – P. 205-210.
18. Li, X., Yang, T. Forecast of the Employment Situation of College Graduates Based on the LSTM Neural Network // Computational Intelligence and Neuroscience. – 2021. – 5787355. DOI:10.1155/2021/5787355
19. Li, Y. Research on the application of decision tree ID3 algorithm in employment forecast of higher vocational graduates // Information and Computer (Theoretical Edition). – 2020. – Vol. 459. – No. 17. – P. 58-60.
20. Ma, J. Intelligent Decision System of Higher Educational Resource Data Under Artificial Intelligence Technology // International Journal of Emerging Technologies in Learning. – 2021. – Vol. 16. – No. 5. – P. 130-146. – DOI:10.3991/ijet.v16i05.20305
21. Masethe, M. A., Masethe, H. D. Prediction of Work Integrated Learning Placement Using Data Mining Algorithms // Proceedings of the World Congress on Engineering and Computer Science. – 2014. – No. I. – P. 353-357.
22. Miao, K. Research on graduate employment forecast based on decision tree algorithm //Computer Programming Skills and Maintenance. – 2020. – Vol. 418. – No. 4. – P. 66-69.
23. Murthy, V. G., SwathiReddy, M., Balakrishna, G. Big Data Analytics for Popularity Prediction // Journal of Physics: Conference Series. – 2019. – No. 1228. – P. 012051. – DOI:10.1088/17426596/1228/1/012051
24. Nagovitsyn, R. S., Bartosh, D. K., Ratsimor, A. Y., Maksimov, Y. G. Formation of social tolerance among future teachers // European Journal of Contemporary Education. – 2018. – Vol. 7. – No. 4. – P. 754-763. – DOI:10.13187/ejced.2018.4.754
25. Qureshi, M. I., Khan, N., Raza, H., Imran, A., Ismail, F. Digital Technologies in Education 4.0. Does it Enhance the Effectiveness of Learning? A Systematic Literature Review // International Journal of Interactive Mobile Technologies. – 2021. – Vol. 15. – No. 04. – P. 31-47. –DOI:10.3991/ijim.v15i04.20291
26. Rajak, A., Shrivastava, A. K., Vidushi. Applying and comparing machine learning classification algorithms for predicting the results of students // Journal of Discrete Mathematical Sciences and Cryptography. – 2020. – Vol. 23. – No. 2. – P. 419-427. – DOI:10.1080/09720529.2020.1728895
27. Renz, A., Krishnaraja, S., Gronau, E. Demystification of Artificial Intelligence in Education – How much AI is really in the Educational Technology? // International Journal of Learning Analytics and Artificial Intelligence for Education. – 2020. – Vol. 2. – No. 1. – P. 14-30. –DOI:10.3991/ijai.v2i1.12675
28. Sukhbaatar, O., Usagawa, T., Choimaa, L. An Artificial Neural Network Based Early Prediction of Failure-Prone Students in Blended Learning Course // International Journal of Emerging Technologies in Learning. – 2019. – Vol. 14. – No. 19. – P. 77-92. – DOI:10.3991/ijet.v14i19.10366
29. Sulastri, A., Handoko, M., Janssens, J. M. A. M. Grade point average and biographical data in personal resumes: predictors of finding employment // International Journal of Adolescence and Youth. – 2015. – Vol. 20. – No. 3. – P. 306-316. – DOI:10.1080/02673843.2014.996236
30. Tang, Y., Wang, P. Study on employment forecasting of graduates of traditional Chinese medicine based on C4.5 and random forest algorithm // China Medical Herald. – 2017. – Vol. 14. – No. 24. – P. 166-169.
31. Wang, J., Zhan, Q. Visualization Analysis of Artificial Intelligence Technology in Higher Education Based on SSCI and SCI Journals from 2009 to 2019 // International Journal of Emerging Technologies in Learning. – 2021. – Vol. 16. – 8. – P. 20-33. –DOI:10.3991/ijet.v16i08.18447
32. Xiaodong, M., Ping, J., Jianrong, W., Lingxi, P. Application of decision tree based on multi-scale rough set model in university employment data analysis // Journal of South China Normal University. – 2014. – Vol. 46. – No. 4. – P. 31-36.
33. Xu, H. Forecast of employment situation of Chinese college graduates based on BP neural network // Electronic Technology and Software Engineering. – 2020. – Vol. 185. – No. 15. – P. 203-204.
34. Yu, J. Academic Performance Prediction Method of Online Education using Random Forest Algorithm and Artificial Intelligence Methods // International Journal of Emerging Technologies in Learning. – 2021. – Vol. 16. – No. 5. – P. 45-57. – DOI:10.3991/ijet.v16i05.20297
35. Zhu, Q. S., Gao X. Model of College Students’ Emolument Prediction Based on the Classification Algorithm with Natural Neighbor. Computer Systems & Applications. – 2017. – Vol. 26. – No. 08. – P. 190-194. – DOI:10.15888/j.cnki.csa.005906
Рецензия
Для цитирования:
Наговицын Р.С. Прогнозированиe трудоустройства студентов педагогического вуза на основе использования алгоритмов машинного обучения. Образование и саморазвитие. 2023;18(2):133-148. https://doi.org/10.26907/esd.18.2.10. EDN: YWZVMY
For citation:
Nagovitsyn R. Predicting Student Employment in Teacher Education Using Machine Learning Algorithms. Education and Self-Development. 2023;18(2):133-148. (In Russ.) https://doi.org/10.26907/esd.18.2.10. EDN: YWZVMY
Просмотров:
2
Послать статью по эл. почте 