Как ИИ предсказывает успеваемость студентов по их подпискам в соцсетях?

Российские ученые из НИУ ВШЭ, Сколтеха и Томского государственного университета разработали инновационный метод прогнозирования академической успеваемости студентов с использованием искусственного интеллекта. Анализируя подписки пользователей в социальной сети «ВКонтакте», исследователи смогли с высокой точностью определить, кто из студентов демонстрирует отличные результаты, а кто сталкивается с трудностями в учебе. Результаты исследования опубликованы в журнале IEEE Access.

Цифровой след как ключ к успеху

Современные люди оставляют в интернете обширный цифровой след: лайки, подписки, комментарии, музыкальные предпочтения и даже переходы по ссылкам. Эти данные, часто недооцениваемые, содержат ценную информацию о личности и интересах. Ученые использовали этот цифровой след, чтобы выявить закономерности, связывающие онлайн-активность с академическими достижениями.

В исследовании приняли участие 4445 студентов с открытыми профилями «ВКонтакте». С помощью методов обработки естественного языка (NLP) исследователи проанализировали тематику сообществ, на которые подписаны студенты, сложность текстов в этих группах и эмоциональную окраску контента. На основе этих данных для каждого участника был создан уникальный цифровой профиль, который затем обработали с помощью алгоритмов машинного обучения.

Что показало исследование?

Разработанный ИИ-алгоритм выявил четкие различия между студентами с разной успеваемостью:

• Отличники чаще подписаны на сообщества, посвященные науке, образованию и новым технологиям. Они читают аналитические статьи, участвуют в дискуссиях и предпочитают контент с высоким уровнем сложности. Такие группы отличаются информативностью и нейтральной или позитивной эмоциональной тональностью.
• Студенты с низкой успеваемостью склонны выбирать развлекательные сообщества, такие как группы с мемами, юмором, музыкой или видеоиграми. Этот контент менее информативен, часто содержит негативные эмоции и требует меньших когнитивных усилий.

Точность предсказания успеваемости составила более 80%, что делает метод перспективным для применения в образовательной практике.

Как это работает?

Процесс анализа включает несколько этапов:

1. Сбор данных: Из профилей студентов извлекаются данные о подписках на публичные сообщества «ВКонтакте».
2. Классификация контента: С помощью NLP-анализа определяется тематика групп (например, наука, развлечения, спорт), сложность текстов (по лексике и структуре) и эмоциональная тональность (позитивная, нейтральная, негативная).
3. Создание профиля: Для каждого студента формируется цифровой «портрет», отражающий его интересы и предпочтения.
4. Прогнозирование: Алгоритм машинного обучения сопоставляет цифровой профиль с академическими данными (оценками, посещаемостью), выявляя корреляции.

Например, студент, подписанный на группы о программировании и научных открытиях, с большей вероятностью покажет высокие результаты, чем тот, кто читает только мемы и смотрит видеоролики.

Потенциал и этические вопросы

Метод открывает новые возможности для образовательных учреждений:

• Ранняя диагностика: Вузы могут выявлять студентов, которым нужна дополнительная поддержка, на ранних этапах обучения.
• Персонализация образования: Анализ интересов позволяет адаптировать учебные программы, предлагая материалы, соответствующие предпочтениям студентов.
• Мотивация: Преподаватели могут использовать данные для вовлечения студентов в научно-исследовательскую деятельность.

Однако использование ИИ для анализа соцсетей вызывает этические вопросы. Сбор данных из открытых профилей может восприниматься как вмешательство в личную жизнь, даже если информация публична. Ученые подчеркивают, что в исследовании использовались только анонимизированные данные, а участники дали согласие. Тем не менее, широкое внедрение метода потребует четких правил защиты конфиденциальности.

Перспективы применения

Исследователи планируют расширить анализ, включив другие аспекты цифрового следа, такие как комментарии, лайки и музыкальные предпочтения. Это может повысить точность прогнозов. Также метод может быть адаптирован для других социальных сетей, таких как Telegram или Instagram, хотя их закрытая структура усложняет сбор данных.

В будущем подобные алгоритмы могут применяться не только в образовании, но и в HR, маркетинге или психологии, где анализ поведения в соцсетях помогает прогнозировать профессиональные навыки или потребительские предпочтения.