Abstracto

Aprendizaje automático 2018: predicción de la clasificación y la puntuación de graduación futuras mediante el uso del estado de los estudiantes y el comportamiento temporal - Beesung Kam y Byung Kwan Choi-Universidad Nacional de Pusan

Beesung Kam y Byung Kwan Choi

A pesar de que existe una rica literatura que anticipa el desempeño de los estudiantes en función de los cursos y charlas, está sustancialmente menos concentrada en predecir el grado de oferta ilimitada de la personalidad del estudiante. La baja puntuación de graduación de los estudiantes es un problema básico en la escuela de medicina, ya que los estudiantes que obtienen puntuaciones más bajas en su mayoría no aprueban el Examen de Licencia Médica de Corea (KMLE). Este documento presenta una estrategia para la enseñanza administrada sobre cómo predecir la posición y la puntuación futuras de los estudiantes mediante el uso de datos proporcionados antes del acceso a la escuela. Se difundieron a AI varias veces colecciones de información de 256 números de estudiantes graduados de la Facultad de Medicina de la Universidad Nacional de Pusan ??en el año escolar 2016 y 2017. Al utilizar la estrategia de mínimos cuadrados estándar, se establecieron tres grupos de estudiantes en función de su graduación final completa con puntuaciones bajas, medias y altas. Estos grupos se utilizaron como regla para rotar la información de la personalidad de los reclutas de primer año para un examen adicional. La expectativa desglosada por estado del estudiante, en función de la conducta transitoria del estudiante, por ejemplo, edad, sexo, clasificación sanguínea, escuela de graduación, área, especialidad, interés secundario, estricta, propensión al consumo de alcohol, estado de los padres, método de pago educativo para la instalación y la inscripción a un programa puede afectar su futura posición y puntaje obtenidos. Predecir el futuro rango y puntaje del estudiante ayuda a observar, evaluar y restaurar la guía del estudiante para mejorar el progreso del aprendizaje. Esta expectativa no solo hace que el estudiante sepa cómo se desempeña, sino que también lo capacita como un punto de referencia para fortalecer su método actual de aprendizaje para una mejora adicional. Si bien expandir los datos piloto para esta investigación puede mejorar el desempeño del examen y mejorar la personalidad del estudiante puede ser un desafío, la técnica para determinar el puntaje bajo de graduación por IA puede marcar un nuevo momento para avanzar en el aprendizaje. El objetivo de esta investigación fue clasificar las variables que afectan que se suman a la expectativa del desempeño académico de los estudiantes. Es útil para identificar a los estudiantes débiles que probablemente tendrán un desempeño deficiente en sus estudios. En esta investigación, utilizamos la herramienta de minería de datos de código abierto WEKA para desglosar las características con el fin de predecir el desempeño académico de los estudiantes de ingeniería de software no casados ??de una institución de educación superior. El índice de datos incluía 2427 registros de estudiantes y 396 características de estudiantes registrados entre los años 2000 y 2006. El preprocesamiento incluye un análisis de importancia de las características. Aplicamos la colección de datos a varios clasificadores (Bayes, árboles o trabajo) y obtuvimos la precisión de predecir el desempeño de los estudiantes en la primera-segunda clase superior o en la segunda-inferior-segunda clase.Se utilizó una prueba cruzada con 10 pliegues para evaluar la precisión de las expectativas. Nuestros resultados demostraron que la ubicación de los cursos tiene un efecto crítico en la predicción de los resultados académicos generales de los estudiantes. Además, realizamos pruebas que comparan la presentación de varios clasificadores y el resultado demostró que los clasificadores Naïve Bayes, AODE y RBFNetwork obtuvieron el nivel más alto de precisión de expectativas del 95,29%.

Biografía:

Beesung Kam tiene una licenciatura en Ciencias de la Computación y otra en Anatomía Médica. Ha completado su segundo doctorado en la Facultad de Medicina de la Universidad Nacional de Pusan. Es el director de Maritime Mobile Health Research, una organización de servicios de biotecnología de primer nivel. Investiga en el área de educación médica desde 2005 y ha digitalizado evaluaciones de estudiantes de diferentes grados.