Использование методов интеллектуального анализа данных для прогноза успеваемости студентов индустриального института Эль-Дивании, Ирак

Ясс Кхудейр Салал, Санжар Муталович Абдуллаев

Аннотация


Исследуются перспективы применения методов интеллектуального анализа данных (Educational data mining – EDM) в техническом образовании республики Ирак с целью выявления значимых факторов обучения и прогноза успеваемости студента и внедрения индивидуального обучения для студентов инженерных направлений. Для этих целей: 1) нами создана база данных, содержащая индивидуальную информацию и оценки 311 студентов, проходивших обучение в 2015–2017 годах в индустриальном институте города Эль-Дивания; 2) сделаны оценки факторов обучения техническому дизайну и черчению и попытка прогноза результатов выпускного экзамена по этой дисциплине на основе методов EDM, реализованных на платформе Microsoft SQL Server Business Intelligence Development Studio 2012 (поиск ассоциативных правил; классификация с обучением дерева принятия решений; кластеризация с алгоритмом Apriori; обнаружение аномалий обучения). Базируясь на стандарте Cross Industry Standard Process for Data Mining, мы подготовили по 13 номинальных и числовых атрибутов для каждого из студентов, провели обучение методом EDM и затем оценили их преимущества, заключив, что: 1) ассоциативные правила помогли обнаружить наиболее важный фактор, ведущий к провалу студента на экзамене; 2) дерево решений незаменимо в прогнозе итоговой успеваемости студента, позволяя выбрать траекторию обучения; 3) кластеризация собирает студентов в отдельные по успешности коллективы; 4) обнаружение аномалий данных помогает педагогу находить студентов, находящихся в граничных состояниях. Делается общий вывод о необходимости продолжения работ по апробации EDM и коллективных итогов обучения.


Ключевые слова


индивидуальное обучение; методы интеллектуального анализа данных; SQL server business intelligence development studio; кластеризация; классификация; ассоциативные правила; обнаружения аномалий данных

Полный текст:

PDF (English)

Литература


Han J., Kamber M., Pei J. Data Mining Concepts and Techniques. Morgan Kaufman. Third Edition, USA, 2011. 744 p.

Romero C., Ventura S., Pechenizkiy P., Baker M.R. Hand Book of Educational Data Mining. CRC Press, USA, 2010. 535 p.

Fernandes E. et al. Educational Data Mining: Predictive Analysis of Academic Performance of Public School Students in the Capital of Brazil. Journal of Business Research, Elsevier Inc., 2019, vol. 94, no. 1, pp. 335–343. DOI: 10.1016/j.jbusres.2018.02.012

Abdullaev S.M., Lenskaya O.Yu., Salal Y.K. [Computer System of Individual Education: Features of the Student Model]. University of the XXI Century in the System of Continuous Education. Proceedings of the IV International Scientific Practical Conference. Chelyabinsk, SUSU Publishing Center, 2018, pp. 7–13. (in Russ.)

Matsebula F., Mnrandla E. A Big Data Architecture for Learning Analytics in Higher Education. AFRICON, IEEE Trans., 2017, pp. 951–956. DOI: 10.1109/AFRCON.2017.8095610

Zimek S. Outlier detection. In: Encyclopedia of Database Systems. Springer, New York, NY, 2017, pp. 1–5.

Brown M.S. What IT Needs To Know About The Data Mining Process. Published by Forbes. Available at: https://www.forbes.com/sites/metabrown/2015/07/29/what-it-needs-to-know-about-thedata-mining-process/#9c974cc515.

Mariscal G., Marbán Ó., Fernández C. A Survey of Data mining and Knowledge Discovery Process Models and Methodologies. The Knowledge Engineering Review, 2010, vol. 25, no. 2. pp. 137–166. DOI: 10.1017/S0269888910000032

Hou Z. Data Mining Method and Empirical Research for Extension Architecture Design. International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS). IEEE Trans., 2018, pp. 275–278. DOI: 10.1109/ICITBS.2018.00077

Introducing Business Intelligence Development Studio. Available at: https://msdn.microsoft.com/it-it/library/ms173767 (v=sql.105).aspx.

MacLennan J., Tang Z., Crivat B. Data Mining with SQL Server 2008. Wiley Publ., Indianapolis, Indiana, US. 2008. 672 p.

Noughabi Z.E.A. et al. Predicting Students' Behavioral Patterns in University Networks for Efficient Bandwidth Allocation: A Hybrid Data Mining Method (Application Paper). 17th Int. Conf. on Information Reuse and Integration (IRI). IEEE Trans., 2016, pp. 102–109. DOI: 10.1109/IRI.2016.21

Zhang W., Qin S. A Brief Analysis of the Key Technologies and Applications of Educational Data Mining on Online Learning Platform. IEEE 3rd International Conference on Big Data Analysis (ICBDA). IEEE Trans., 2018, pp. 83–86. DOI: 10.1109/ICBDA.2018.8367655

Agrawal S., Agrawal J. Survey on Anomaly Detection Using Data Mining Techniques. Procedia Computer Science, 2015, vol. 60, pp. 708–713. DOI: 10.1016/j.procs.2015.08.220

Abdullaev S.M., Lenskaya O.Yu., Salal Ya.K. Computer Systems of Individual Instruction: Background and Perspectives. Bulletin of the South Ural State University. Ser. Education. Educational Sciences, 2018, vol. 10, no. 4, pp. 64–71. (in Russ.) DOI: 10.14529/ped180408




DOI: http://dx.doi.org/10.14529/ctcr190111

Ссылки

  • На текущий момент ссылки отсутствуют.