文章基本信息

标题：USE OF MACHINE LEARNING TECHNIQUES FOR THE FORECAST OF STUDENT ACHIEVEMENT IN HIGHER EDUCATION
本地全文：下载
作者：Ömer Faruk Akmeşe ; Hakan Kör ; Hasan Erbay 等
期刊名称：Information Technologies and Learning Tools
印刷版ISSN：2076-8184
出版年度：2021
卷号：82
期号：2
页码：297-311
DOI：10.33407/itlt.v82i2.4178
出版社：Institute of Information Technologies and Learning Tools NAPS of Ukraine
摘要：Метод машинного обучения, который является подразделом искусственного интеллекта и дает возможность прогнозировать с помощью математических и статистических операций, часто используется как в образовании, так и во всех сферах жизни. В настоящее время очевидно, что непрерывно записываются миллионы данных и происходит их огромное накопление. Хотя такое накопление данных растет в геометрической прогрессии, количество аналитиков недостаточно и их возможности для обработки ограничены. Мы живем в век информации, точнее сказать, в эпоху данных. Сохраняя и накопляя данные, очень важно устанавливать значимые взаимосвязи и тенденции, а также делать прогнозы на будущее. Важно проанализировать данные, полученные в процессе обучения, и оценить успехи студентов и факторы, влияющие на их успеваемость. Такой анализ может способствовать будущей учебной деятельности. В этом исследовании использовался набор данных, включающий социально-демографические переменные студентов, обучающихся дистанционно в Hitit University. Авторы оценивали успеваемость студентов с помощью демографических и социальных переменных, таких как возраст, пол, город, семейный доход, уровень семейного образования. Основная цель - предоставить студентам информацию об их предполагаемых академических достижениях в начале учебного процесса. Таким образом, в начале учебного процесса успеваемость учащихся может быть повышена путем информирования студентов, которые, предполагаемо могут отставать в обучении. Диверсификация и улучшение этих данных может также поддерживать другие механизмы принятия решений в процессе обучения. Кроме того, были исследованы факторы, влияющие на академическую успеваемость студентов, и оценены результаты обучения студентов. Успешность прогнозов сравнивалась с использованием различных алгоритмов машинного обучения. В результате анализа было определено, что алгоритм Случайный лес лучше других предсказывал успеваемость студентов.↓Метод машинного навчання, який є підрозділом штучного інтелекту і дає можливість прогнозувати за допомогою математичних і статистичних операцій, часто використовується як в освіті, так і в усіх сферах життя. Сьогодні безперервно записуються мільйони даних і відбувається їх величезне накопичення. Хоча таке накопичення даних зростає в геометричній прогресії, кількість аналітиків недостатня, а їх можливості обробки обмежені. Ми живемо у вік інформації, точніше сказати, в епоху даних. Зберігаючи та накопичуючи дані, важливо виявляти значущі взаємозв'язки і тенденції, а також робити прогнози на майбутнє. Важливо проаналізувати дані, отримані в процесі навчання, і оцінити успіхи студентів і фактори, що впливають на їх успішність. Такий аналіз може сприяти майбутньій навчальній діяльності. У цьому дослідженні використовувався набір даних, що містить соціально-демографічні змінні студентів, які навчаються дистанційно в Hitit University. Автори оцінювали успішність студентів за допомогою таких демографічних і соціальних змінних, як-от: вік, стать, місто, сімейний дохід, рівень сімейної освіти. Основна мета - надати студентам на початку навчального процесу інформацію про їх передбачувані академічні досягнення. У такий спосіб можна на початку навчального процесу шляхом інформування студентів, які передбачувано можуть відставати в навчанні, підвищити їх мотивацію до навчання. Диверсифікація і поліпшення цих даних може також підтримувати інші механізми прийняття рішень у процесі навчання. Крім того, були досліджені фактори, що впливають на академічну успішність студентів, і оцінені результати навчання студентів. Успішність прогнозів порівнювалась з використанням різних алгоритмів машинного навчання. У результаті аналізу було визначено, що алгоритм Випадковий ліс краще за інших передбачав успішність студентів.
其他摘要：The machine learning method, which is a sub-branch of artificial intelligence and which makes predictions with mathematical and statistical operations, is used frequently in education as in every field of life. Nowadays, it is seen that millions of data are recorded continuously, and a large amount of data accumulation has occurred. Although data accumulation increases exponentially, the number of analysts and their capabilities to process these data are insufficient. Although we live in the information age, it is more accurate to say that we live in the data age. By using stored and accumulated data, it is becoming increasingly essential to reveal meaningful relationships and trends and to make predictions for the future. It is important to analyze the data obtained from the education process and to evaluate the success of the students and the factors affecting success. These analyses may also contribute to future training activities. In this study, a data set, including socio-demographic variables of students enrolled in distance education at Hitit University, was used. The authors estimated the success of the students with demographic and social variables such as age, gender, city, family income, family education level. The primary purpose is to provide students with information about their estimated academic achievement at the beginning of the process. Thus, at the beginning of the education process, students' success can be increased by informing the students who are predicted to be unsuccessful. Diversification and enhancement of this data may also support other decision-making mechanisms in the training process. Additionally, the factors affecting students’ academic success were researched, and the students' educational outcomes were evaluated. Prediction success was compared using various machine learning algorithms. As a result of the analysis, it was determined that the Random Forest algorithm was more predictive of student achievement than others.
关键词：machine learning in education; adult education; educational data mining
其他关键词：machine learning in education;adult education;educational data mining