Data mining for forecasting academic success and architecting personalized trajectories

Abstract

This paper investigates the application of Educational Data Mining (EDM) methods within learning management systems for predicting students' academic outcomes and constructing personalized educational trajectories. Machine learning algorithms  including Random Forest, kNearest Neighbors, and Artificial Neural Networks  are examined as tools for early identification of at-risk students through behavioral data collected from platforms such as Moodle and Canvas. The use of Graph Convolutional Networks and multimodal data for adaptive content recommendation aligned with individual skill levels is analyzed. Special attention is given to the practical implementation of EDM approaches in Ukrainian universities under wartime conditions, with reference to the experience of the National University of Life and Environmental Sciences of Ukraine and Lviv Polytechnic National University. The study concludes that integrating predictive analytics with adaptive learning systems enables a paradigm shift from reactive grading to proactive student support, reducing late-stage dropout rates and enhancing educational effectiveness.

-

У статті досліджуються можливості застосування методів інтелектуального аналізу даних (Educational Data Mining) у системах управління навчанням для прогнозування академічних досягнень студентів та формування персоналізованих освітніх траєкторій. Розглянуто алгоритми машинного навчання  Random Forest, k-Nearest Neighbors та штучні нейронні мережі  як інструменти раннього виявлення студентів з ризиком відрахування на основі поведінкових даних з платформ Moodle та Canvas. Проаналізовано застосування графових згорткових мереж і мультимодальних даних для адаптивної рекомендації навчального контенту відповідно до індивідуального рівня знань. Окремо розглянуто практику впровадження EDM-підходів в українських університетах в умовах воєнного стану, зокрема досвід НУБіП України та Львівської політехніки. Обґрунтовано, що інтеграція предиктивних алгоритмів з адаптивними освітніми системами дозволяє трансформувати освіту від реактивного оцінювання до проактивної підтримки здобувачів вищої освіти.