ДОСЛІДЖЕННЯ РОБАСТНОСТІ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ В УМОВАХ НЕПОВНИХ ТА НЕРЕГУЛЯРНИХ ОСВІТНІХ ДАНИХ
DOI:
https://doi.org/10.36074/grail-of-science.20.02.2026.120Summary
Цифровізація освітнього процесу супроводжується накопиченням значних масивів даних про успішність та поведінку здобувачів освіти. Однак практичне застосування методів інтелектуального аналізу таких даних зустрічається з низкою викликів, зумовлених складною природою освітнього середовища та етичними ризиками.
Downloads
Downloads
License
Copyright (c) 2026 Олена Станкевич, Олександр Коняєв
References
Papadogiannis, I., Wallace, M., & Karountzou, G. (2024). Educational Data Mining: A Foundational Overview. Encyclopedia, 4(4), 1644–1664. https://doi.org/10.3390/encyclopedia4040108 DOI: https://doi.org/10.3390/encyclopedia4040108
Hakkal, S., & Lahcen, A. A. (2024). XGBoost To Enhance Learner Performance Prediction. Computers and Education: Artificial Intelligence, 7, 100254. https://doi.org/10.1016/j.caeai.2024.100254 DOI: https://doi.org/10.1016/j.caeai.2024.100254
Alzubaidi, L., Bai, J., Aiman Al-Sabaawi, Santamaría, J., Albahri, A. S., Bashar, Fadhel, M. A., Manoufali, M., Zhang, J., Al-Timemy, A. H., Duan, Y., Abdullah, A., Farhan, L., Lu, Y., Gupta, A., Albu, F., Amin Abbosh, & Gu, Y. T. (2023). A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications. Journal of Big Data, 10(1). https://doi.org/10.1186/s40537-023-00727-2 DOI: https://doi.org/10.1186/s40537-023-00727-2
Grinsztajn, L., Oyallon, E., & Varoquaux, G. (2022). Why do tree-based models still outperform deep learning on typical tabular data? NIPS’22:Proceedings of the 36th International Conference on Neural Information Processing Systems, 37, 507–520. https://proceedings.neurips.cc/paper_files/paper/2022/file/0378c7692da36807bdec87ab043cdadc-Paper-Datasets_and_Benchmarks.pdf DOI: https://doi.org/10.52202/068431-0037
Downloads
How to Cite
Issue
Section
Categories
