ДОРОШЕНКО, ДмитроДмитроДОРОШЕНКО2026-05-052026-05-052024-10-01ДОРОШЕНКО, Д. (2024). MATHEMATICAL MODELING OF LEARNING PROCESSES AND PREDICTION OF STUDENTS SUCCESS. Прикладні інформаційні системи та технології в цифровому суспільстві, 1(1), 410–415. https://doi.org/10.17721/3041-2323.2024.410-41510.17721/3041-2323.2024.410-415https://ir.library.knu.ua/handle/15071834/19443This review explores key modeling approaches, including regression analysis, cluster analysis, neural networks, Bayesian networks, and machine learning methods. These techniques help educators assess student performance, identify academic risks, and implement tailored interventions. Predictive models use factors such as prior grades, study time, and engagement in digital learning systems. Machine learning algorithms, including decision trees and neural networks, enhance forecast accuracy by adapting to new data. While mathematical models provide valuable insights, challenges such as incomplete data, emotional factors, and overfitting can affect reliability.Розглянуто ключові підходи до моделювання, зокрема регресійний аналіз, кластерний аналіз, нейронні мережі, баєсові мережі та методи машинного навчання. Ці техніки допомагають освітянам оцінювати успішність студентів, визначати академічні ризики та впроваджувати адаптивні заходи. Прогнозні моделі враховують такі фактори, як попередні оцінки, витрачений на навчання час і рівень залученості до цифрових освітніх систем. Алгоритми машинного навчання, включаючи дерева рішень і нейронні мережі, підвищують точність прогнозування, адаптуючись до нових даних. Хоча математичні моделі забезпечують цінні аналітичні висновки, такі виклики, як неповні дані, емоційні фактори та перенавчання моделі, можуть впливати на їхню надійність.enмathematical modelingstudent success predictionmachine learningregression analysisneural networksBayesian networksacademic performanceСтаття