Т.Л. Мелехина1, А.Ю. Владова2

1, 2 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
1 tmelehina@fa.ru, 2 ayvladova@fa.ru

Постановка проблемы. В современном обществе растут ожидания и требования к цифровым и аналитическим навыкам экономистов. Эффективность цифровой трансформации во многом зависит от фундамента знаний, заложенного на первых курсах высшего учебного заведения. Однако слабая преемственность между базовыми математическими дисциплинами и курсами по анализу данных приводит к дефициту мотивации и проблемам в освоении материала студентами.

Цель. Оценить степень преемственности между курсами «Математика», «Цифровая математика», «Компьютерный практикум» (2023–2024 гг.) и «Анализ данных» (2024–2025 гг.) на основе статистического анализа итоговых и экзаменационных баллов студентов Финансового университета.

Результаты. Проведён сравнительный анализ академических результатов двух тысяч студентов по математическим дисциплинам за два года обучения. С применением методов описательной статистики, визуализации данных (гистограммы, диаграммы рассеяния), корреляционного анализа (критерии Пирсона, Спирмена), критерия Колмогорова–Смирнова и U-критерия Вилкоксона выявлена умеренная положительная корреляция между итоговыми баллами по базовой математике и анализу данных, но только слабая корреляция между экзаменационными баллами. Установлено статистически значимое различие средних экзаменационных баллов, а также дефицит мотивации из-за слабой связи между курсами.

Практическая значимость. На основе результатов исследования сформулированы рекомендации по усилению преемственности учебных программ, поддержке слабоуспевающих студентов и совершенствованию методики преподавания математических дисциплин.

Мелехина Т.Л., Владова А.Ю. Образовательные траектории под контролем статистики: выявление трендов и закономерностей // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 6. С. 96−106. DOI: 10.18127/j19998554-202506-10

1. Колесник Н.В. Образовательные траектории российской элиты: региональная проекция. Мир России. 2019. Т. 28. № 4.
   С. 30–48. DOI: 10.17323/1811-038X-2019-28-4-30-48.
2. Валько Д. В., Filippova A.M., Bunina M., Kozlova M., Vasilevskaia M., Rud D. Educational and Career Trajectories in Russia: Introducing a New Source and Datasets with a High Granularity. Research Data Journal for the Humanities and Social Sciences. 2024. P. 1–14. doi: 10.1163/24523666-bja10046.
3. Яцевич О.Е., Сперанская Н.И., Омелаенко Н.В., Юдашкина В.В., Шабатура Л.Н. Реализация индивидуальных образовательных траекторий в высших учебных заведениях. Высшее образование в России. 2024. № 5. P. 150–168. doi: 10.31992/0869-3617-2024-33-5-150-168.
4. Динец Д.А., Михайлова Н.С. Возможности индивидуализации образовательной траектории для лиц, имеющих среднее профессиональное образование, при продолжении обучения в вузе // Техник транспорта: образование и практика. 2023. Вып. 4. № 3. С. 266–272. doi: 10.46684/2687-1033.2023.3.266-272.
5. Lindenbaum T., Belyaev A., Grebenyuk E., Крамаров С.О., Храмов В. The method of identifying a person in formation of an educational trajectory. Lecture notes in networks and systems. 2023. P. 1323–1332. doi: 10.1007/978-3-031-21219-2_148.
6. Maheshwari A., Malhotra A., Hada B.S., Ranka M., Basha S.A. Comparative analysis of machine learning models in predicting academic outcomes: Insights and implications for educational data analytics. International Conference on Smart Systems for applications in Electrical Sciences. 2024. P. 1–7. doi: 10.1109/icsses62373.2024.10561260.
7. Khamzatova E.A., Akieva Z.M., Shakhdullaeva K.D. Assessing the quality of education using big data and analytics. Ekonomika I Upravlenie Problemy Resheniya. 2024. V. 11/14. № 152. P. 183–188. doi: 10.36871/ek.up.p.r.2024.11.14.023.
8. Saeedi S., Božanić D., Safa R. Strategic analytics for predicting students’ academic performance using cluster analysis and bayesian networks. Education Science and Management. 2024. V. 2. № 4. P. 197–214. doi: 10.56578/esm020402.
9. Владова А.Ю. Формирование групповой и индивидуальной траекторий успеваемости по данным e-learning платформ // Управление большими системами. 2024. Вып. 111. С. 179–196. doi: 10.25728/ubs.2024.111.7.
10. Vladova A.Yu., Borchyk K.M. Predictive analytics of student performance: Multi-method and code. Journal of Research and Advances in Mathematics Education. 2024. V. 9(4). P. 190–204. doi: 10.23917/jramathedu.v9i4.4643
11. Мелехина Т.Л., Поздеева С.Н. Управление знаниями в университете как метод эффективного использования ресурсов. Baikal Research Journal. 2025. Т. 16. № 1. С. 241–250. DOI: 10.17150/2411-6262.2025.16(1).
12. Мелехина Т.Л., Кочетков А.А. Цифровые технологии как фактор повышения эффективности обучения в высшей школе // Проблемы теории и практики управления. 2025. № 7. С. 91–102.
13. Мелехина Т.Л., Владова А.Ю. Хеширование для обезличивания данных образовательной платформы: практические решения в MSExcel // Инновации и инвестиции. 2025. № 10. С. 277–279.
14. Мелехина Т.Л., Владова А.Ю. Аналитика образовательных траекторий в системе менеджмента качества // Проблемы теории и практики управления. 2025. № 9. С. 172–183.
15. Vladova A.Y. Educational analytics in the learning management system: From visualization to forecasting. 18th International Conference on Management of Large-Scale System Development (MLSD). 2025. P. 1–4. doi: 10.1109/MLSD65526.2025.11220633.