Primena otkrivanja zakonitosti u podacima u oblasti obrazovanja (engl. educational data mining) predstavlja novu, rastuću oblast, koja ima veliki potencijal za istraživanje. Usmerena je na razvoj modela i metoda za istraživanje podataka prikupljenih iz obrazovnog sistema. Kao takva, podrazumeva različite aspekte obrazovanja: studente, profesore, materijale sa predavanja, organizaciju grupa studenata za učenje, sve u cilju boljeg razumevanja i poboljšanja procesa učenja. Slično kao i u drugim oblastima otkrivanja zakonitosti u podacima, i u obrazovanju se prema preporuci koristi CRISP-DM metodologija istraživanja. Za potrebe ovog rada korišćeni su podaci diplomiranih studenata poslednjih pet generacija koje su završile smer Informacioni sistemi i tehnologije (779 studenata sa Fakulteta organizacionih nauka Univerziteta u Beogradu). Baza podataka se sastoji od različitih studentskih podataka, koji obuhvataju lične osobine studenata, uspeh u srednjoj školi, tip i lokaciju srednje škole, bodove na prijemnom ispitu i ocene sa prve godine studija. Cilj ovog istraživanja je stvaranje modela za predikciju konačnog proseka ocena studenta zasnovanih na informacijama dobijenim sa Fakulteta organizacionih nauka. U tu svrhu korišćena su tri algoritma: neuronske mreže, linearna regresija i mašine sa vektorima podrške. Za evaluaciju modela korišćeni su koren srednje kvadratne greške (RMSE) i apsolutna greška (AE). Najbolji rezultat postignut je korišćenjem neuronskih mreža (AE = 0,2656) i linearne regresije (RMSE = 0,3425). Utvrđene greške između rezultata različitih algoritama su jako blizu jedna drugoj, te se ne može zaključiti koji je algoritam najbolji. Zaključujemo da problem predviđanja krajnje ocene studija predstavlja velik izazov. U drugom delu istraživanja korišćeni su algoritmi za selekciju atributa u cilju identifikovanja ključnih faktora koji utiču na prosečnu ocenu tokom studija. Tačnije, korišćena su tri algoritma selekcije atributa, i to: selekcija unapred, eliminacija unazad i genetski algoritam. Nakon sprovođenja eksperimenta, zaključeno je da se najbolji podaci predikcije uspeha studenata dobijaju korišćenjem linearne regresije sa genetskim algoritmima. Upotrebom ovog modela možemo zaključiti da lični podaci ne utiču na krajnji prosek ocena studenta. Sa druge strane, ocene iz prve godine (osim one iz Ekonomije) i bodovi sa prijemnog ispita važni su za predikciju uspeha studenata. Apsolutna greška ovog modela iznosi 0,2528, dok koren srednje kvadratne greške iznosi 0,3288. Dalje istraživanje bi trebalo da bude usmereno ka optimizaciji parametara korišćenih algoritama. Kako neuronske mreže i mašine sa vektorima podrške poseduju parametre koje je potrebno prilagoditi svakom istraživanju, potrebno je sprovesti i ovaj vid analize, gde bi se u tu svrhu koristio genetski algoritam. Napravljeni model i prepoznati značajni atributi mogu se koristiti za predikciju uspeha studenata, gde samo saznanje u ranoj fazi studija za studenta može predstavljati veoma važnu informaciju. Međutim, ta informacija je veoma važna i za fakultet odnosno univerzitet, jer mogu da prate razvoj i uspeh svojih studenata u odnosu na očekivani uspeh.

visoko obrazovanje; predviđanje postignuća; regresija; obrada podataka; otkrivanje zakonitosti u podacima iz oblasti obrazovanja