Комплексное исследование академической успеваемости

Для данного проекта был выбран расширенный набор данных student.csv, содержащий информацию о 649 студентах и включающий 33 различных параметра их академической и социальной жизни. Этот датасет представляет особую научную ценность, поскольку охватывает множественные аспекты студенческой жизни: от базовых демографических характеристик до сложных социально-психологических факторов. Актуальность данного исследования обусловлена растущей потребностью образовательных систем в понимании комплексных факторов, определяющих академический успех. В отличие от традиционных подходов, фокусирующихся на отдельных переменных, настоящее исследование применяет системный анализ взаимосвязей между различными аспектами студенческой жизни. Особую ценность представляет возможность изучения влияния современных технологических и социально-экономических факторов (доступ к интернету, дополнительные платные занятия) на образовательные результаты, что делает исследование релевантным для современной образовательной политики.

В рамках исследования была разработана комплексная система визуализации, включающая шесть различных типов графических представлений данных:

Диаграммы размаха применялись для анализа распределения академических результатов в зависимости от затрачиваемого на учёбу времени, что позволяет выявить не только средние значения, но и вариативность показателей.

Столбчатые диаграммы использовались для сравнительного анализа влияния качественных факторов (семейная поддержка) на количественные показатели успеваемости.

Корреляционные матрицы в виде тепловых карт обеспечивали комплексное изучение взаимосвязей между множественными переменными, выявляя скрытые паттерны влияния.

Гистограммы позволяли исследовать распределение успеваемости по гендерному признаку, выявляя особенности академических достижений различных групп студентов.

Многоосевые диаграммы применялись для одновременного анализа двух различных типов показателей (средние значения и процентные соотношения), что обеспечивало более полную картину изучаемых явлений.

Комплексные тепловые карты использовались для изучения влияния комбинированных социально-экономических факторов на образовательные результаты.

Исследование началось с детального анализа структуры датасета и особенностей его организации. Поскольку данные были представлены в формате CSV с разделителем "точка с запятой", потребовалась специальная настройка параметров загрузки данных с использованием sep=';' и engine='python' для корректного парсинга. Критически важным этапом стала адаптация названий переменных для русскоязычного анализа, что не только улучшило восприятие результатов, но и обеспечило лучшую интерпретацию для целевой аудитории исследования.

Для обеспечения научной строгости и визуальной целостности была разработана специальная цветовая схема, основанная на профессиональных принципах академической визуализации. Основная палитра включала глубокие, контрастные цвета: тёмно-синий (2C3E50), яркий синий (3498DB), изумрудный (1ABC9C), оранжевый (F39C12), красный (E74C3C) и фиолетовый (9B59B6). Такой выбор цветов обеспечил не только эстетическую привлекательность, но и функциональность: каждый цвет имеет достаточную контрастность для чёткого восприятия, а общая гамма создаёт профессиональный академический стиль.

В соответствии с современными требованиями к научной прозрачности, в данном исследовании систематически применялись возможности генеративной модели ChatGPT (OpenAI). Искусственный интеллект использовался для следующих целей:

Оптимизация кода визуализации: ChatGPT помогал в написании и отладке Python-скриптов для создания графиков, предлагая более эффективные решения для сложных визуализационных задач.

Методологические консультации: ИИ использовался для получения рекомендаций по выбору наиболее подходящих типов графиков для различных типов данных и исследовательских вопросов.

Техническая поддержка: ChatGPT помогал в решении технических проблем, возникающих при работе с библиотеками Python (pandas, matplotlib, seaborn), особенно при работе с нестандартными форматами данных.

Интерпретационная поддержка: Генеративная модель использовалась для обсуждения различных подходов к интерпретации полученных результатов и формулирования исследовательских выводов.

Важно подчеркнуть, что все финальные решения, интерпретации и выводы принимались исследователем самостоятельно, а ИИ выполнял роль вспомогательного инструмента для повышения качества и эффективности исследовательского процесса.

Анализ зависимости между временем, затрачиваемым на учёбу, и итоговыми академическими результатами выявил прямую связь, которая выходит на плато после определённого порога. Средний балл последовательно растёт с увеличением времени на учёбу:

Менее 2 часов в неделю: средний балл 10.8 2-5 часов в неделю: средний балл 12.1 5-10 часов в неделю: средний балл 13.2

Критически важным наблюдением является отсутствие значимого роста результатов при увеличении времени обучения свыше 10 часов в неделю (средний балл 13.1). Это может указывать на существование оптимального временного диапазона для академической деятельности, после которого эффективность дополнительных занятий снижается.

Исследование роли семейной поддержки в академических достижениях выявило её положительное влияние. Студенты, получающие семейную поддержку, демонстрируют среднюю оценку 12.1, в то время как учащиеся без такой поддержки показывают результат 11.7. Хотя разница может показаться небольшой, она указывает на значимость благоприятной домашней обстановки для учебного процесса.

Корреляционная матрица выявила сложную сеть взаимосвязей между различными аспектами студенческой жизни. Наиболее значимые корреляции включают:

Сильную отрицательную связь между предыдущими академическими неудачами и итоговыми результатами (-0.39), что подтверждает кумулятивный характер образовательного процесса.

Положительную корреляцию между уровнем образования матери (0.24) и отца (0.21) и успеваемостью детей, что указывает на межпоколенческую передачу образовательного капитала.

Сильную взаимосвязь между употреблением алкоголя в будни и выходные дни (0.62), свидетельствующую о формировании устойчивых поведенческих паттернов.