通过可解释的教育数据挖掘方法提高高等学生的编程技能
Md Rashedul Islam1, Adiba Mahjabin Nitu1, Md Abu Marjan1
1Department of Computer Science and Engineering, Hajee Mohammad Danesh Science and Technology University, Dinajpur, Bangladesh.
本研究介绍了一种先进的教育数据挖掘 (EDM) 系统,用于使用机器学习和可解释AI (XAI) 来分类和改进高等学生的编程技能. 一种新的组合方法,堆叠-SRDA,在技能评估中表现出卓越的表现.
科学领域:
- 教育数据挖掘 (EDM) 技术
- 计算机科学教育计算机科学教育
- 机器学习 机器学习
背景情况:
- 教育数据挖掘 (EDM) 提供了分析学生数据以预测和改善学业绩的潜力.
- 高等教育在客观评估和提高学生的编程技能方面面临着挑战.
- 可解释的人工智能 (XAI) 对于理解教育中预测模型的决策过程至关重要.
研究的目的:
- 开发和评估一个先进的EDM系统,用于分类和提高高等学生的编程技能.
- 整合有效的特征工程,分类技术和XAI以实现模型可解释性.
- 确定表现不佳学生的编程技能差距,并提供有针对性的建议.
主要方法:
- 功能工程和编程技能指标的选择.
- 对六种机器学习算法进行分类任务的评估.
- 开发和验证一种新型组合方法,堆叠-SRDA.
- 应用可解释的人工智能 (XAI) 技术来实现模型透明度.
主要成果:
- 拟议的堆叠-SRDA组合方法在准确性,精度,回忆,f1分数,ROC曲线和麦克纳马测试等方面明显优于其他评估的算法.
- 严格的实验,包括一个废弃研究,证实了开发方法的有效性.
- XAI工具为分类模型的可解释性提供了宝贵的见解.
- 该系统成功地发现了技能差距,并为较弱的学生提供了量身定制的建议.
结论:
- 先进的EDM系统,特别是Stacking-SRDA组合,提供了一个强大的解决方案,用于评估和增强高等学生的编程技能.
- 集成XAI提高了对系统预测的信任和理解.
- 技能差距分析和推系统为教育工作者提供了一种实际的工具,以支持学生的发展.
更多相关视频
10:43Eye-tracking Technology and Data-mining Techniques used for a Behavioral Analysis of Adults engaged in Learning Processes
Published on: June 10, 2021
10:17Improving Student Outcomes with an Adaptable Molecular Cloning Course-Based Undergraduate Research Experience
Published on: November 15, 2024
相关概念视频
Case Studies
Statistical Software for Data Analysis and Clinical Trials
Statistical Package for the Social Sciences (SPSS)
SPSS streamlines the process from data preparation to analysis and reporting. It is characterized by its user-friendly interface, which conceals...
Machines: Problem Solving II
Introduction to R
Outliers and Influential Points
