Details

Объект работы — процесс организации индивидуальной работы репетитора с учениками; предмет — методы автоматизации управления учебным процессом и интеллектуального анализа успеваемости. Цель работы — разработка интеллектуальной веб-системы для поддержки деятельности репетитора, объединяющей функционал управления учебным процессом с модулем машинного обучения для анализа успеваемости учеников. В ходе работы проведён анализ рынка репетиторских услуг и существующих решений, спроектирована архитектура веб-системы (клиентская часть на Vue.js, серверный REST API на FastAPI, база данных PostgreSQL, модуль машинного обучения на scikit-learn) и выполнена её программная реализация. Реализован функционал управления учениками, расписанием и электронным журналом успеваемости, а также модуль интеллектуальной аналитики: классификация учеников по группам риска, прогнозирование следующей оценки и кластеризация по паттернам успеваемости. Качество моделей подтверждено валидацией: точность классификации группы риска — 86%, средняя абсолютная ошибка прогноза оценки — 0,76 балла, силуэтная оценка кластеризации — 0,38 при трёх группах. Результаты работы могут применяться частными репетиторами и небольшими образовательными центрами для автоматизации учёта и поддержки принятия педагогических решений на основе данных. Поставленная цель достигнута, все задачи выполнены.

The object of the work is the organisation of an individual tutor’s work with students; the focus is on methods of automating the management of the learning process and the intelligent analysis of academic performance. The aim of the work is to develop an intelligent web system supporting a tutor’s activities that combines learning-process management with a machinelearning module for analysing student performance. The work includes an analysis of the tutoring market and existing solutions, the design of the system architecture (a Vue.js client, a FastAPI REST API, a PostgreSQL database and a scikit-learn machine-learning module) and its implementation. Functionality for managing students, the schedule and an electronic performance journal has been implemented, together with an analytics module: classification of students into risk groups, prediction of the next grade and clustering by performance patterns. Model quality was confirmed by validation: risk-group classification accuracy of 86%, a mean absolute error of grade prediction of 0.76 points and a clustering silhouette score of 0.38 for three groups. The results can be applied by private tutors and small educational centres to automate record-keeping and to support data-driven pedagogical decisions. The stated aim has been achieved and all tasks have been completed.