教育データに対する可視性グラフ分析: リスクの高いオンライン生徒の予測の可能性とケーススタディ
Hadis Azizi1, Mohammad Sadra Amini1, Sadegh Sulaimany2
1Social and Biological Network Analysis Laboratory (SBNA), Department of Computer Engineering, University of Kurdistan, Sanandaj, Iran.
オンライン学習データをグラフに変換して リスクの高い生徒を予測します この教育データマイニングのアプローチは 解釈可能な洞察を提供し ディープラーニングの方法よりも優れています
科学分野:
- 教育データマイニング
- ネットワーク科学
- 機械学習
背景:
- オンライン学習は膨大な時間データを 生み出します
- 学習パターンを特定し 結果を予測するために 学生のやり取りを分析することが重要です
- 伝統的な方法では デジタル環境における 学生の行動の複雑さを 完全に捉えることはできません
研究 の 目的:
- 教育のタイムシリーズのデータの可視性グラフ解析を導入し,評価する.
- オンライン学習の環境で リスクの高い生徒を予測する効果を証明する.
- グラフ理論的な特徴を通して,生徒の行動に解釈可能な洞察を提供すること.
主な方法:
- 教育のタイムシリーズのデータを可視化グラフに変換する.
- グラフ理論のメトリックの適用 (例えば,全体的な効率性,アソルタティブ性,中間的中心性).
- リスクの高い生徒の分類に グラデーションブーストアルゴリズムを使う
主要な成果:
- クリックストリームのデータに基づいて リスクの高いオンライン学生を正確に予測します
- グラデーションの強化により 87%以上の分類精度を達成した.
- この方法論は 学生の行動に関する 解釈可能な洞察力を提供し ディープラーニングのアプローチを上回ります
結論:
- 視覚グラフ分析は教育データマイニングの貴重な補足ツールです.
- 解釈可能な洞察と 学習成果の効果的な予測を提供します
- 特定の教育データセットのモデルとグラフの選択を最適化するためにさらなる研究が必要です.
さらに関連する動画
11:29Measuring the Functional Abilities of Children Aged 3-6 Years Old with Observational Methods and Computer Tools
Published on: June 20, 2020
10:43Eye-tracking Technology and Data-mining Techniques used for a Behavioral Analysis of Adults engaged in Learning Processes
Published on: June 10, 2021
関連する概念動画
Bar Graph
Guidelines and Strategies for Safe Computer Charting
Maintain Confidentiality and Security:
Outliers and Influential Points
Multiple Bar Graph
Each bar or column in the multiple bar graph represents a data value. These graphs are used primarily in interrelating two or more sets of data. The categories of different kinds of data are listed along the horizontal or x-axis, whereas...
End Point Prediction: Gran Plot
For potentiometric titration, the Gran plot is created by plotting...
Steps in Outbreak Investigation
