Abstrait

Machine Learning 2018 : Prédire le rang et le score futurs de l'obtention du diplôme en utilisant le statut et le comportement temporel des étudiants - Beesung Kam et Byung Kwan Choi - Université nationale de Pusan

Beesung Kam et Byung Kwan Choi

Bien qu'il existe une riche documentation anticipant les performances des étudiants en fonction des cours et des conférences, elle est beaucoup moins concentrée sur la prévision de la qualité de vie des étudiants. Le faible score de fin d'études des étudiants est un problème fondamental dans les écoles de médecine, car les étudiants qui obtiennent des scores inférieurs échouent généralement à l'examen coréen de licence médicale (KMLE). Cet article présente une stratégie de gestion de la connaissance de la manière de prévoir la position et la note futures des étudiants en utilisant les données fournies avant l'entrée à l'école. Des collections d'informations de 256 étudiants diplômés de la faculté de médecine de l'université nationale de Pusan ??en 2016 et 2017 ont été diffusées à AI à plusieurs reprises. En utilisant la stratégie de la rechute standard des moindres carrés, trois groupes d'étudiants ont été constitués en fonction de leur dernière obtention de diplôme aux scores bas, moyens et élevés. Ces groupes ont été utilisés en règle générale pour faire tourner les informations sur la personnalité des recrues de première année pour un examen supplémentaire. Les attentes décomposées par statut de l'étudiant, en fonction de son comportement étudiant, par exemple, l'âge, le sexe, la classification sanguine, l'école d'obtention du diplôme, la région, la spécialité, l'intérêt secondaire, l'obstination, la propension à boire, le statut des parents, la méthode de paiement des études pour le paiement et l'inscription à une application peuvent avoir un impact sur leur futur rang et leur score. Prédire le futur rang et le score de l'étudiant aide à observer, évaluer et restaurer les connaissances de l'étudiant pour améliorer les progrès de l'apprentissage. Cette attente permet non seulement à l'étudiant de savoir comment il s'en sort, mais lui permet également, en tant que critique, de renforcer sa méthode actuelle d'apprentissage pour une amélioration supplémentaire. Bien que l'élargissement des données pilotes pour cette étude puisse améliorer la réussite à l'examen et que l'amélioration de la personnalité de l'étudiant puisse être difficile, la méthode de détermination d'un faible score de fin d'études par l'IA peut faire briller un nouveau temps pour améliorer l'apprentissage. Le but de cette étude était de classer les variables affectant les performances académiques des étudiants. Il est utile d'identifier les étudiants faibles qui sont susceptibles d'avoir de mauvais résultats dans leurs études. Dans cette étude, nous avons utilisé l'outil d'exploration de données open source WEKA pour décomposer les caractéristiques afin de prédire le rendement scolaire des étudiants en génie logiciel d'un établissement d'enseignement supérieur. L'indexation des données comprenait 2427 dossiers d'étudiants et 396 caractéristiques d'étudiants inscrits entre 2000 et 2006. Le prétraitement comprend une analyse de la signification des caractéristiques. Nous avons appliqué la collecte d'informations à différents classificateurs (Bayes, arbres ou ordre) et avons obtenu la précision d'anticiper la présentation des étudiants en classe de premier-deuxième niveau supérieur ou en classe de deuxième-deuxième niveau inférieur.Une évaluation croisée à 10 niveaux a été utilisée pour évaluer la précision des attentes. Nos résultats ont démontré le positionnement des cours qui a un impact important sur l'anticipation des résultats scolaires globaux des étudiants. De plus, nous avons effectué des tests comparant la présentation de différents classificateurs et les résultats ont montré que les classificateurs Naïve Bayes, AODE et RBFNetwork ont ??obtenu le niveau le plus élevé de précision des attentes, soit 95,29 %.

Biographie:

Beesung Kam est titulaire d'un diplôme en informatique et d'un autre en anatomie médicale. Il a obtenu son deuxième doctorat à la faculté de médecine de l'université nationale de Pusan. Il est directeur de Maritime Mobile Health Research, une organisation de services bio-logiciels de premier plan. Il effectue des recherches dans le domaine de l'enseignement médical depuis 2005 et a numérisé les évaluations des étudiants de différents niveaux.