Алгоритм прогнозирует академическую успеваемость студентов дистанционного обучения

Команда из Университета Кордовы разработала модель, которая прогнозирует успеваемость студентов онлайн-обучения, разделяя их на четыре категории и помогая преподавателям оказывать более персонализированную помощь каждому студенту с учетом его ситуации.

Дистанционное образование демократизировало доступ к знаниям, преодолевая проблемы времени и пространства. Гибкость и доступность этого типа системы увеличили количество людей, получивших образование через онлайн-платформы. Однако из-за большого количества студентов и отсутствия тесного взаимодействия, которое возможно в классах, преподаватели сталкиваются с большой проблемой: сложностью мониторинга и адаптации обучения для своих студентов.

Инструменты, основанные на искусственном интеллекте, могут помочь преподавателям прогнозировать успеваемость своих студентов, чтобы они могли адаптировать свои образовательные стратегии к различным ситуациям обучения.

Чтобы облегчить эту адаптацию и улучшить онлайн-образование, команда из Университета Кордовы, состоящая из исследователей Хуана Карлоса Гамеса, Авроры Эстебан, Франсиско Хавьера Родригеса и Амелии Сафры, разработала алгоритм, который прогнозирует успеваемость студентовс четырьмя различными классификациями.

По сравнению с предыдущими моделями, которые предсказывали эту успеваемость только с точки зрения «сдачи или провала» или «отсева или продолжения» курса, «этот алгоритм, основанный на порядковой классификации и нечеткой логике, позволяет нам прогнозировать успеваемость студентов, сохраняя при этом Упорядочите отношения между категориями: отсев, неудача, прохождение и отличие», — объяснила Амелия Зафра, исследователь кафедры компьютерных наук и численного анализа УКО.

Таким образом, алгоритм FlexNSLVord делает более точные прогнозы, а также позволяет профессорам лучше адаптировать свои стратегии в зависимости от классификаций своих студентов.

Двумя преимуществами, предлагаемыми этой разработкой, являются использование порядковой классификации с матрицей затрат, которая позволяет моделировать вес порядковых классов в обучении и делать это ранжирование более конкретным.

Адаптированная нечеткая логика, как объяснил исследователь Департамента электронной и компьютерной инженерии УКО Хуан Карлос Гамес, «дает вам некоторую гибкость, поскольку по сравнению со стандартной логикой, которая работает с конкретными значениями, нечеткая логика работает с целым рядом из них и автоматически адаптируется к проблеме, используя рассуждения, более близкие к тому, что мы делаем в повседневной жизни».

Модель основана на данных, которые генерирует система онлайн-обучения. К характеристикам, которые он принимает во внимание для прогнозирования производительности, относятся, например, выполнение определенных задач и анкет, оценки учащихся и их клики на различных ресурсах, доступных на платформе.

Для исследователей «интерпретируемость» также имеет ключевое значение; то есть возможность понимания результатов, которые оно дает. После отслеживания поведения учащихся модель выполняет классификацию, но также дает понять себя, поскольку «по сравнению с алгоритмами черного ящика, которые сообщают вам, сдаст ли ученик экзамен или выпадет, но не говорят вам, как и почему», это Новый инструмент «предоставляет ряд правил для каждой категории, показывая наиболее подходящие ресурсы и действия, которые должен выполнить студент», — пояснил Зафра.

Таким образом, алгоритм может помочь преподавателям идентифицировать учащихся и иметь возможность использовать подкрепление или стратегии, которые «например, спасают учащихся с проблемами».

Более того, алгоритм даже позволяет профессора определить, какие типы характеристик являются решающими, а какие нет, с точки зрения оценки производительности. «Возможно, есть задача, которую профессор считал важной для этого, но оказывается, что это не имеет решающего значения для того, будет ли студент в конечном итоге пройдет или потерпит неудачу», — добавляет Франсиско Хавьер Родригес, также научный сотрудник Департамента электронной и компьютерной инженерии УКО.

Алгоритм был протестирован с использованием очень большого набора свободно доступных данных публичного обучения Открытого университета (OULAD) на большой выборке студентов и курсов. В будущем это алгоритм может быть включен в качестве приложения на онлайн-образование платформах (таких как Moodle) и может автоматически предоставлять преподавателям обратную связь об успеваемости своих учеников.

Работа опубликовано в журнале Прикладной интеллект.