Аналитика обучения

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Аналитика обучения — измерение, сбор, анализ и представление данных об учащихся и их контекстах с целью понимания и оптимизации обучения. ИИ превратил аналитику обучения из описательных панелей мониторинга в предиктивные и прескриптивные системы.

Вопросы для рассмотрения

• Большинство людей предполагают, что сбор большего объёма данных об обучении автоматически улучшает образование. На странице утверждается, что аналитика становится значимой только тогда, когда она подаёт сигнал обратно в некое вмешательство, — иначе она лишь описывает или помечает, не меняя обучение. Где вы видели собираемые данные, которые так и не привели ни к какому действию?
• Представьте, что панель мониторинга говорит вам, что студент «в группе риска», — это предсказание. Что отделяет это от по-настоящему действенного руководства, которое преподаватель или учреждение действительно могут выполнить? На странице высказывается мысль, что одного предсказания недостаточно.
• На странице отмечается, что ИИ продвинул аналитику обучения от описания того, что произошло, к предсказанию того, что произойдёт, и предписанию того, что делать дальше. Какие из этих трёх поколений вы испытали, и чего не хватало в остальных?
• В одном исследовании три разные модели ИИ дали резко различающиеся планы поддержки для одних и тех же данных о студенте, а связи между индикаторами аналитики и рекомендованной помощью были по большей части слабыми. Что это говорит о доверии к совету ИИ в лицо?
• Аналитика обучения находится в напряжении с приватностью: чем детальнее данные, тем более раскрывающими они являются — и тем более сильным может быть вмешательство. Где бы вы провели границу того, что собирается о вас или ваших студентах, и кто должен это решать?

Введение

Усиленная ИИ аналитика

• Предиктивная аналитика: машинное обучение на данных о взаимодействии учащегося предсказывает результаты — от выявления учащихся в группе риска до оценивания состояния знаний.
• Валидация важна не меньше, чем предсказание. Schuetze, Yan и Carvalho (2025) показывают, что предиктивные модели состояния знаний (BKT, BKT-с-забыванием, AFM) выглядят точными, когда их подгоняют ретроспективно по полной истории сессий, однако при кросс-валидации, основанной на времени, — предсказании следующей сессии по предыдущим, так, как аналитика фактически развёртывается, — они завышают результаты учащегося, упускают динамику интервального повторения и забывания и могут неверно упорядочивать условия практики. Предостережение для аналитики: ретроспективная подгонка может маскировать слабую прогностическую валидность вперёд на продольных данных, поэтому модели индикаторов и панелей мониторинга должны валидироваться методом скользящего окна вперёд.
• Валидируйте отображение «задание–атрибут», лежащее в основе оценки. Q-матрица, связывающая задания с атрибутами, — это предположение, а не данные: отклонённые записи для 14 из 918 заданий на аналитическое мышление после исправления сократили ложную закономерность состояния знаний с 14,2 % до 3,8 %, — поэтому аналитика освоения материала должна проверять свою Q-матрицу, а не только свою предиктивную подгонку (Feng & Huang, 2026).
• Опора на учебный план в предиктивной аналитике: Pradeesh и др. (2026) оценивают состояния знаний в рамках обучения, ориентированного на результаты, напрямую прослеживая результаты курса по данным о взаимодействии в LMS и результатам освоения, используя отображения сродства OBE (связи результатов курса и программы) для структурирования связей между концептами и сеть с дополненной памятью для моделирования влияния между результатами, — достигая 89,81 % AUC и превосходя DKT, DKVMN, EKT и SimpleKT на реальных данных инженерных программ университета, оставаясь при этом лишь конкурентоспособными (но не превосходящими) на данных общего назначения ASSISTments.
• Интерпретируемое предсказание прогресса с окном для действия: Zhang, Jeffries и Koprinska (2025) предсказывают прогресс студентов на уровне модулей в крупномасштабных онлайновых курсах по программированию по признакам логов взаимодействия с содержанием, используя прозрачные деревья решений, которые соответствуют по точности моделям-«чёрным ящикам» (85–91 %), и при этом помечают исходы в виде «отсутствия сдачи работы» за 7–8 дней до срока сдачи модулей, — то есть дают явное окно для вмешательства в реальном времени вместо простого флага риска, а также исследовательскую типологию профилей: оторванных и в группе риска, оторванных, но успешных и вовлечённых отличников.
• Федеративное, объяснимое моделирование риска между учреждениями (2026). Villegas-Ch и др. (2026) выводят моделирование риска за пределы предсказания в одном учреждении, обучая мультизадачную модель (результаты + отсев) на смоделированных учреждениях с помощью федеративного обучения, так что исходные данные студентов никогда не покидают пределы своего учреждения. При контролируемой неоднородности (перекос меток, дисбаланс классов, временной дрейф, структурная неполнота данных) модель сохраняет точность упорядочивания (AUC 0,918 на OULAD) и структурно устойчивые упорядочения важности признаков, однако её вероятностная калибровка дрейфует, — разрывая связь между качеством упорядочивания и надёжностью вероятностей. Для систем раннего предупреждения это предостережение о том, что интервенциям на основе порогов может требоваться калибровка отдельно для каждого учреждения, и аргумент в пользу оценивания аналитики сразу по различающей способности, калибровке, устойчивости и объяснимости.
• Валидация на синтетических данных — предварительное условие аналитики, сохраняющей приватность. Структурная проверка синтетических версий четырёх годовых когорт привычек учёбы (117–120 учащихся на протяжении восемнадцати недель) обнаружила, что описатели разделов хорошо согласуются в двух из четырёх когорт, тогда как недельная вариация во всех без исключения случаях была в 2,6–4,9 раза ниже (коэффициент вариации 0,086–0,152 против 0,399–0,539 для реальных когорт), и только 36 % выводов, полученных на синтетических пилотных данных, были подтверждены на реальных данных в ходе двадцати пяти запросов на валидацию (Inoue & Yasutake (2026)).
• Аналитика вовлечения: измерение вовлечения и моделирование интенсивности количественно характеризуют то, как студенты взаимодействуют с системами ИИ.
• Аналитика обратной связи: классификация обратной связи и оценивание качества анализируют обратную связь, которую получают студенты.
• Сетевой анализ: сетевой анализ совместной встречаемости (Co-Occurrence Network Analysis) и эпистемический сетевой анализ раскрывают закономерности взаимодействия.
• Напряжения с приватностью: озабоченности по поводу Приватность растут по мере того, как аналитика становится более детальной и управляемой ИИ.
• Рамка обзора управления данными студентов. LEAGUE предлагает шесть основ — правомерность, справедливость, агентность, управление, полезность и этика через проектирование, — рассматривая соответствие требованиям FERPA и GDPR как нижнюю границу и рекомендуя плановую переоценку по мере дрейфа моделей (Varadaraju & Vijayakumar (2026)).

Моделируйте совпадение курсов во времени, а не только их последовательность. TRACE придаёт каждому курсу в семестре одно и то же позиционное кодирование, и совместное предсказание курсов и оценок снизило ошибку предсказания оценок до 0,1339 MAE — сокращение на 46,4 % по сравнению с трансформером, работающим только с оценками, — на десяти годах институциональных данных (Savala (2026)).

Цикл аналитики обучения

Аналитика обучения канонически описывается как цикл, который начинается с того, что деятельность учащегося производит данные, которые обрабатываются в меры и индикаторы, а затем транслируются в вмешательства, — и вмешательство подаёт сигнал обратно в деятельность учащегося, замыкая цикл. Именно шаг вмешательства отличает аналитику от простого мониторинга или предсказания: без него аналитика описывает и помечает, но никогда не меняет обучение. Этот цикл служит организующей рамкой для понимания того, где в конвейере находятся инструменты ИИ (панели мониторинга, генераторы обратной связи, прескриптивные рекомендательные системы) и какой шаг они автоматизируют.

Обращённая к учащемуся панель мониторинга не лучше, чем её охват: в исследовании письма в Гонконге среди учащихся 9-го класса классификатор промптов достиг макро-F1 0,757, около трети из 46 студентов открывали три панели мониторинга использования генеративного ИИ, а различия между группами в копировании и ориентированном на обучение промптинге не были надёжными (Fong и др. (2026)).

Частотное кодирование качественных данных — это точка входа, а не приговор: в исследовании с десятью участниками одни преподаватели читали частотные кодировки как продуктивный способ войти в материал, тогда как другие предупреждали, что они скрывают редкие, но критически важные ответы, поэтому конструкция сохраняет связь каждого агрегированного представления с дословным текстом студента (Nguyen и др. (2026)).

От описания к вмешательству

Аналитика обучения прошла в этой базе знаний три поколения: описательное (что произошло?), предиктивное (что произойдёт?) и прескриптивное (что нам следует делать?). ИИ делает возможным прескриптивный слой — аналитику, которая напрямую инициирует учебные вмешательства. Ключевой рубеж здесь — разрыв действенности: SC2R (Le, Abel & Laforge 2026) показывает, что одного предсказания недостаточно для поддержки принятия решений и что контрфактический рекурс становится операционально значимым только тогда, когда рекомендации семантически осуществимы и проверяемы машиной, — будучи ограничены сроками, бюджетом, неизменяемостью и доступностью через валидацию SHACL, а не просто корректностью модели. Это выводит область за пределы оценок риска в сторону рекомендаций, которые учреждения действительно могут выполнить, при сохранении контроля со стороны человека.

Прямую эмпирическую проверку прескриптивного слоя дают López-Pernas и др. (2026), которые попросили три LLM рекомендовать планы поддержки для 4 500 виньеток синтетических студентов.

Дополняющую проверку, сосредоточенную на преподавателе, того, как аналитика доходит до аудитории, дают Mejia-Domenzain и др. (2026), которые спроектировали панель мониторинга аналитики обучения (DashED) для передачи преподавателям профилей Саморегулируемое обучение, полученных машинным обучением, в двух смешанных контекстах. Их исследование со 100 преподавателями показывает, что представление аналитики само по себе является барьером на пути к действию: преподаватели систематически предпочитали более простые, более традиционные графики (столбчатые, круговые), даже когда более сложные конструкции (например, тепловые карты) давали более богатые выводы, а более высокая грамотность в визуализации предсказывала более глубокую и подробную интерпретацию (например, больше преподавателей, замечающих тренды в данных временных рядов). При сравнении групп преподаватели отдавали предпочтение наложению, а не сопоставлению, и полноинформационным графикам, а не явному кодированию различий. Предлагаемые преподавателями действия определялись представленным содержанием и их уровнем Преподавание, а не типом графика — преподаватели университетов отдавали предпочтение еженедельным тестам и адаптации на уровне курса, тогда как преподаватели системы профессионально-технического образования предлагали прямое, индивидуализированное наставничество, — что подчёркивает, что прескриптивный шаг зависит в той же мере от того, как аналитика визуализируется и контекстуализируется, как и от лежащей в её основе модели. Их результат носит предостерегающий характер: корреляции между индикаторами ЛА и рекомендованной поддержкой были по большей части слабыми, рекомендации разных моделей резко расходились для одного и того же студента, а поддержка часто распределялась независимо от того, кто нуждался в ней больше всего. Авторы приходят к выводу, что современные LLM ещё не надёжны как прескриптивные модели поддержки студентов в масштабе, и это подтверждает, что прескриптивный шаг всё ещё требует валидации, доработки и контроля со стороны человека, а не автоматизации «из коробки».

Шаг после оценки — кто получает поддержку и распределена ли она там, где была нужна, — относится к поддержке и успешности студентов, где собраны данные о работе с учащимися, направлениях к специалистам и распределении ресурсов, которые питает прескриптивный слой этой страницы.

В тот же предиктивный слой входит результат, связанный с добросовестностью. Akçapınar (2026) предсказывает риск списывания с помощью ИИ по трассам Moodle и видеоплеера за первые восемь недель, достигая AUC 0,763 при логистической регрессии, и утверждает, что этот сигнал применим именно потому, что он приходит до экзамена, а не во время него.

Дополнительное направление нацелено на интерпретацию самой аналитики. Рамка FACTRIA у Marques и др. (2026) организует факторы, искажающие показатель, — конвейерные, институциональные, курсовые и демографические, — а чат-бот с рефлексивными промптами повысил число подфакторов, которые 11 участников взвешивали на каждый случай, с 1,41 до 3,45 (d = 2,15), переводя их от прямых прочтений к условным.

Методы и сетевой анализ

Сетевые методы — ядро аналитики обучения: анализ сетей переходов (TNA) моделирует временные последовательности действий учащегося (например, петли правок и чата в письме, опирающемся на чат-бот), а эпистемический сетевой анализ (ENA) отображает, как коды и конструкты совместно встречаются в деятельности, — и вместе они раскрывают процесс обучения и взаимодействия учащегося с ИИ, а не только его продукт.(Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)(Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing)

• Анализ последовательностей и марковских цепей для самодвижущегося поведения. An, Hammock и Goel (2025) соединили анализ последовательностей действий, иерархическую кластеризацию и модели марковских цепей на данных кликстримов 315 онлайновых учащихся, построивших 822 экологических модели в VERA, сверив девять тонких поведенческих кластеров на основе переходов к трём более широким закономерностям (наблюдение, конструирование, исследование). Их работа демонстрирует, что соединение анализа последовательностей с моделированием марковских цепей может раскрыть значимое поведение в неструктурированных самодвижущихся заданиях даже при полном отсутствии демографических и контекстных данных.

• Аналитика обучения и генеративный ИИ по-разному формируют конструкцию обучения (2026). Claassen и др. (2026) использовали ENA на 11 фокус-группах преподавателей, чтобы сравнить, как аналитика обучения и Генеративный ИИ информируют принятие решений в Дизайн обучения. Обсуждения ЛА были сосредоточены на контекстной информации, проектировании на уровне курса и творческом Решение задач (ЛА для диагностики вовлечения и нацеливания поддержки), тогда как обсуждения генеративного ИИ — на конструировании оценивания и проектировании для самодетерминации студента (генеративный ИИ для генерации идей и разработки оценивания). Контекст и Креативность были центральны в обоих случаях, — напоминание о том, что аналитика информирует проектирование только внутри педагогического контекста и автономии преподавателя.

• Поведенческие следы не являются мерами когнитивного состояния — особенно для учащихся с особыми потребностями. Vasileiou и др. (2026) предупреждают, что следы взаимодействия (время на задание, повторяющиеся ошибки, обращения за помощью, неравномерный прогресс) могут помочь преподавателям определить, где учащемуся нужна поддержка, но не являются прозрачными мерами внутренних состояний: замедленная реакция может отражать вдумчивое размышление, языковую обработку, отвлечение внимания, недоступную конструкцию или техническую трудность. «Алгоритмы не должны выводить дефицит исполнительных функций или диагностический статус только из поведенческих данных», — аналитика защитима как один из источников информации внутри профессионального оценивания и диалога с учащимся.

• Аналитика проектирования: добыча запланированных последовательностей деятельности, а не следов (2026). Divjak, Svetec и Horvat (2026) применили марковские цепи и добычу последовательных шаблонов к спроектированной* последовательности из 29 064 учебных и обучающих видов деятельности в 554 курсах, запланированных в открытом инструменте конструкций обучения. Матрица переходов имела пик на переходе от оценивания к обсуждению (0,332), самопереходы доминировали в практике (0,317) и усвоении (0,292), а самым сильным правилом для идущих подряд видов деятельности было «усвоение — оценивание — практика — практика» (достоверность 0,743, подъём 1,449), тогда как самым частым четырёхшаговым путём было «усвоение, практика, практика, оценивание» (120 вхождений). Обсуждение и оценивание были наиболее достижимыми типами, а создание продуктов — наиболее отдалённым и спорадическим. Исследование напоминает, что аналитика обучения не обязательно должна начинаться со следов в LMS: данные времени проектирования могут вскрыть педагогическую грамматику курса ещё до того, как придёт хоть один студент, хотя авторы подчёркивают, что сходство с перевёрнутыми, исследовательскими или проектными конструкциями не является доказательством намерения.

• Самообъясняющие дистиллированные LLM (2026): двухступенчатый конвейер дистиллирует оценщик аналитики обучения, работающий как «чёрный ящик», и его постфактум интерпретацию в небольшую Большие языковые модели (LLM) с открытыми весами, которая возвращает и оценку на индивидуальном уровне, и объяснение на естественном языке. Проверка «сначала на достоверности» оценивает, соответствуют ли нарративы тем атрибуциям, которые они описывают; Моделирование показывает почти без потерь восстановление (r > .90) при наличии оракула-наставника, предлагая более прозрачный и применимый на практике путь для аналитики (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

• Условия, делающие возможными интервенции на основе ЛА (2026). Svetec, Divjak и Kadoić (2026) выявляют и приоритизируют семь условий доверия к интервенциям на основе ЛА с помощью Delphi + AHP + SNAP: институциональная стратегическая ориентация, педагогические и прочие исследовательские основания, наличие ресурсов, педагогическая поддержка, этика и управление данными, вовлечение заинтересованных сторон и обеспечение качества. Институциональная стратегическая ориентация заняла первое место (и оказала наибольшее влияние на остальные условия), вторым стало наличие ресурсов. Доверие (этическое соответствие, прозрачные и непредвзятые алгоритмы, педагогическая валидность) рассматривается как предварительное условие, без которого интервенции на основе ЛА не имеют смысла.

• Глубина взаимодействия с LLM предсказывает качество задания, но не воспроизведение (2026). Tsiligkiris (2026) связывает телеметрию разговорного взаимодействия с LLM на уровне реплик (глубина/объём/темп) с результатами обучения: «глубина» в виде стремления к объяснению предсказывала качество задания, оценённое независимыми экспертами (β = 6,27), но не непосредственное воспроизведение, — что является разрывом между управляемым разработками пониманием и управляемым воспроизведением закреплением, и это имеет последствия для того, как взаимодействие с Большие языковые модели (LLM) измеряется и оценивается в ЛА.

• Общая единица взаимодействия отсутствует. Среди 46 категоризаций из 33 исследований нет общей метахарактеристики — похожие обозначения называют разные явления, — поэтому обзор предлагает эпизод взаимодействия, ограниченный и нацеленный на цель обмен, в качестве единицы для соотнесения диалога с приобретением навыка (Borchers, Jansen и Weidlich (2026)).

• Симуляция совместного дискурса для аналитики обучения. Fang (2026) использует тонко настроенных агентов LLM, специфичных для каждого участника, для воспроизведения диалогов совместного решения проблем, проверенного с помощью эпистемического сетевого анализа (расстояние ENA 0,17, p = 0,65 при перестановках). Этот подход даёт исследователям аналитики обучения масштабируемый способ генерировать аутентичный совместный дискурс для изучения динамики взаимодействия, смены реплик и траекторий тематических кодов без сбора новых человеческих данных.

• Открытые, воспроизводимые данные и готовая к следам аналитика. ASTRA выпускает синтетический Бенчмарк со схемой, готовой к следам (N=540; 360 сессий; 1 440 эпизодов), для анализа взаимодействия и баланса участия в совместном программировании. Данные логов и следов — естественный противовес самоотчёту в этой литературе: один и тот же конструкт часто измеряется дважды — один раз спросом, другой раз наблюдением, — и эти два измерения не всегда согласуются. Отдельно исследовательская рамка машинного обучения с анализом SHAP выявила связанные с обучением конструкты, наиболее сильно ассоциированные с намерением использовать академический ChatGPT среди студентов университетов, ставя в приоритет интерпретируемость (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).

• Многократно используемая инфраструктура аналитики, проверенная только внутри самого учреждения (2026). Bai и др. (2026) воспроизвели опубликованные результаты трёх ИИ-ассистентов Технологического института Джорджии, изменяя значения конфигурации, а не код, хотя это утверждение опирается на переанализ существующих наборов данных одного учреждения, и единственное расширение возможностей было выполнено своими же сотрудниками.

Связи

Аналитика обучения связана с Трассирование знаний (основной анализ), Формативное оценивание (оценивание, управляемое аналитикой), Моделирование учащегося и адаптивное обучение (представление учащегося, которое наполняет аналитика), Приватность (этическое ограничение) и Edtech-платформа (где аналитика развёртывается). Поскольку прескриптивная аналитика всё чаще оценивается на симулируемых учащихся — где синтетические когорты студентов заменяют реальные в контролируемых проверках, — аналитика обучения связана и с симуляцией студентов.

• То, что делают видимым панели мониторинга, определяет, на что действуют преподаватели. Köroğlu и др. (2026) рассмотрели 27 эмпирических исследований (2016–2025) и построили социотехническую таксономию решений преподавателей при поддержке ИИ по восьми типам решений: учебные, учебно-плановые, по оцениванию, по обратной связи, об учебной среде, эмоциональные, административные и этические. Панели мониторинга аналитики обучения были наиболее часто упоминаемой системой, и кодирование показывает, что поддержка сосредоточена на учебных решениях, решениях об обратной связи и оценивании, которые могут информировать поведенческие текстовые данные и данные логов, тогда как эмоциональные, этические, учебно-плановые решения и решения об учебной среде поддерживались редко. Авторы трактуют это как эффект внимания, а не как ограничение возможностей: поскольку системы делали поведенческие данные о студентах видимыми и действенными, вопросы мотивации, Метакогниция, эмоций и среды выпадали за пределы того, на что данные приглашали преподавателей обращать внимание.

Процессная инструментация — это следующий шаг вниз от описательного слоя. Prol и др. (2026) расширили платформу задач Парсонса с Открытый код открытым кодом, чтобы записывать каждое размещение, удаление и сдачу блока как хронологический след, связывать каждую сдачу с раскраской правильности по блокам и историей попыток и, по желанию, пропускать следы через конвейер на Большие языковые модели (LLM), который обозначает повторяющиеся закономерности трудностей для проверки преподавателем. В ходе анализа 68 студентов курса проектирования программного обеспечения на Java для старших курсов и 36 студентов вводного курса на Python выявились те же три трудности — выбор неверного типа исключения, замена throw на return и неверное упорядочение потока управления, — которых не могут вскрыть счётчики правильности и попыток, потому что они отвечают на вопрос была ли расстановка правильной, а не чем был процесс. ИИ выступает как интерпретатор для преподавателя, а не как оценщик студента, и его результат подаётся как поддающаяся проверке гипотеза о трудностях группы, а не как оценка.

• Стена обучающих систем: данные логов не переносятся между платформами. MATHia, i-Ready и IXL по-разному определяют даже базовые конструкты — «попытку», «подсказку», — поэтому модели не могут переноситься между ними. Ответ в стадии работы атакует проблему со стороны видео: конвейер Gemini дистиллирует записи экрана репетитора в единый сценарий-транскрипт, согласованный с собственными логами MATHia как с опорной истиной. Что восстанавливает видео и что не восстанавливает ни один отдельный поток данных: скаффолдинг на доске, молчаливую работу с калькулятором во внешних инструментах и внеэкранный контекст, который собственные логи сводят к «простою». Открытыми остаются задачи временной привязки, расхождения часов и отделения событий платформы от других процессов обучения. (Towards breaking the learning system wall using multimodal tutoring transcriptions)

Связанные концепции

• Интерпретируемый ИИ
• Трассирование знаний
• Моделирование учащегося и адаптивное обучение
• Формативное оценивание
• Приватность
• Edtech-платформа
• Вовлечённость студентов
• Оценивание ИИ-образования
• Обратная связь
• Высшее образование
• K-12
• Большие языковые модели (LLM)
• Моделирование учащихся
• Меры самоотчёта
• Рекомендательные системы и учебные траектории
• Поддержка студентов и их успех — сторона поддержки, которую питает предсказание: направления к специалистам, распределение ресурсов и результаты, которые они меняют или не меняют

Связанные статьи

• Responsible Institutional Analytics: Interpreting Bias with AI Support — Responsible Institutional Analytics: Interpreting Bias with AI Support

• AI-Supported Lecturer Decision-Making in Higher Education: A Socio-Technical Perspective — AI-Supported Lecturer Decision-Making in Higher Education

• Federated and Explainable Learning Analytics for Privacy-Preserving Academic Risk Modeling Across Heterogeneous Educational Institutions — Федеративная и объяснимая аналитика обучения для моделирования академического риска с сохранением приватности (Villegas-Ch и др., 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — What students ask matters: LLM interaction depth, task quality, and immediate recall (Tsiligkiris, 2026)

• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — From learning analytics to educational interventions: enablers of trustworthy LA-based interventions (Svetec, Divjak & Kadoić, 2026)

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — Аналитика обучения и генеративный ИИ в принятии решений о конструкциях обучения

• Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction

• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies

• A Durability and Cross-Language Transfer Benchmark for a Validated Teaching-Feedback Classification Protocol

• Through the WordStream Glass: Revisiting Quantitative Encoding for Qualitative Learning Analytics

• Jointly Predicting Courses and Grades Using a Transformer-Based Model (TRACE)

• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use

• From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support — From Student Risk Prediction to SC2R: Counterfactual Recourse

• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — Байесовская когнитивная диагностика для персонализированных траекторий обучения

• Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics — Distilling self-explaining LM for learning analytics

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation

• Modelling Individual Participants as LLM Agents in Collaborative Problem Solving Simulations — Тонко настроенные агенты LLM, специфичные для каждого участника, воспроизводящие диалоги совместного решения проблем (Fang, 2026)

• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Синтетический бенчмарк ASTRA для репетиторства с несколькими агентами и совместной работы со сбалансированным участием

• An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education — Детерминанты будущего использования ChatGPT по данным машинного обучения и SHAP в высшем образовании

• Making machine learning findings accessible to teachers in blended classrooms — Making ML findings accessible to teachers in blended classrooms

• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — Трассировка знаний по результатам обучения с отображением сродства

• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis

• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models

• A Machine Learning Approach for Predicting Student Progress in Online Programming Education

• Learning paths and patterns in learning design: Insights from 500+ courses — Марковские цепи и добыча шаблонов для 29 064 запланированных видов деятельности в 554 курсах, раскрывающая грамматику проектирования, ведущую роль в которой играют усвоение и закрепляющая практика

• Pulla: A Parsons Problem Tool for Fine-Grained Behavioral Tracing and Instructor-Facing Problem-Solving Analysis — Pulla: поведенческая инструментация на уровне процесса и анализ трудностей для преподавателя в задачах Парсонса (Prol и др., 2026)

• Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains

• Beyond Compliance: A Proposed Framework for Ethical Governance of Student Data in Learning Analytics

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Using Learning Analytics to Support Secondary School Students' Writing with Generative AI

• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — «We'll Fix It Later»: Education, AI, and the Deferral of Student Privacy in EdTech

• What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — Предсказание риска списывания с помощью ИИ по трассам в LMS за начало семестра (AUC 0,763)

• Towards breaking the learning system wall using multimodal tutoring transcriptions — Towards breaking the learning system wall using multimodal tutoring transcriptions (Thomas и др., 2026)