Metrika članka

  • citati u SCindeksu: 0
  • citati u CrossRef-u:0
  • citati u Google Scholaru:[=>]
  • posete u poslednjih 30 dana:6
  • preuzimanja u poslednjih 30 dana:0
članak: 10 od 21  
Back povratak na rezultate
Inovacije u nastavi - časopis za savremenu nastavu
2013, vol. 26, br. 2, str. 82-92
jezik rada: engleski
vrsta rada: izvorni naučni članak

Predviđanje uspeha studenta pristupom otkrivanja zakonitosti u podacima u obrazovanju
Univerzitet u Beogradu, Fakultet organizacionih nauka

e-adresa: sandro.radovanovic@hotmail.com

Sažetak

Primena otkrivanja zakonitosti u podacima u oblasti obrazovanja (engl. educational data mining) predstavlja novu, rastuću oblast, koja ima veliki potencijal za istraživanje. Usmerena je na razvoj modela i metoda za istraživanje podataka prikupljenih iz obrazovnog sistema. Kao takva, podrazumeva različite aspekte obrazovanja: studente, profesore, materijale sa predavanja, organizaciju grupa studenata za učenje, sve u cilju boljeg razumevanja i poboljšanja procesa učenja. Slično kao i u drugim oblastima otkrivanja zakonitosti u podacima, i u obrazovanju se prema preporuci koristi CRISP-DM metodologija istraživanja. Za potrebe ovog rada korišćeni su podaci diplomiranih studenata poslednjih pet generacija koje su završile smer Informacioni sistemi i tehnologije (779 studenata sa Fakulteta organizacionih nauka Univerziteta u Beogradu). Baza podataka se sastoji od različitih studentskih podataka, koji obuhvataju lične osobine studenata, uspeh u srednjoj školi, tip i lokaciju srednje škole, bodove na prijemnom ispitu i ocene sa prve godine studija. Cilj ovog istraživanja je stvaranje modela za predikciju konačnog proseka ocena studenta zasnovanih na informacijama dobijenim sa Fakulteta organizacionih nauka. U tu svrhu korišćena su tri algoritma: neuronske mreže, linearna regresija i mašine sa vektorima podrške. Za evaluaciju modela korišćeni su koren srednje kvadratne greške (RMSE) i apsolutna greška (AE). Najbolji rezultat postignut je korišćenjem neuronskih mreža (AE = 0,2656) i linearne regresije (RMSE = 0,3425). Utvrđene greške između rezultata različitih algoritama su jako blizu jedna drugoj, te se ne može zaključiti koji je algoritam najbolji. Zaključujemo da problem predviđanja krajnje ocene studija predstavlja velik izazov. U drugom delu istraživanja korišćeni su algoritmi za selekciju atributa u cilju identifikovanja ključnih faktora koji utiču na prosečnu ocenu tokom studija. Tačnije, korišćena su tri algoritma selekcije atributa, i to: selekcija unapred, eliminacija unazad i genetski algoritam. Nakon sprovođenja eksperimenta, zaključeno je da se najbolji podaci predikcije uspeha studenata dobijaju korišćenjem linearne regresije sa genetskim algoritmima. Upotrebom ovog modela možemo zaključiti da lični podaci ne utiču na krajnji prosek ocena studenta. Sa druge strane, ocene iz prve godine (osim one iz Ekonomije) i bodovi sa prijemnog ispita važni su za predikciju uspeha studenata. Apsolutna greška ovog modela iznosi 0,2528, dok koren srednje kvadratne greške iznosi 0,3288. Dalje istraživanje bi trebalo da bude usmereno ka optimizaciji parametara korišćenih algoritama. Kako neuronske mreže i mašine sa vektorima podrške poseduju parametre koje je potrebno prilagoditi svakom istraživanju, potrebno je sprovesti i ovaj vid analize, gde bi se u tu svrhu koristio genetski algoritam. Napravljeni model i prepoznati značajni atributi mogu se koristiti za predikciju uspeha studenata, gde samo saznanje u ranoj fazi studija za studenta može predstavljati veoma važnu informaciju. Međutim, ta informacija je veoma važna i za fakultet odnosno univerzitet, jer mogu da prate razvoj i uspeh svojih studenata u odnosu na očekivani uspeh.

Ključne reči

visoko obrazovanje; predviđanje postignuća; regresija; obrada podataka; otkrivanje zakonitosti u podacima iz oblasti obrazovanja

Reference

Ayesha, S., Mustafa, T., Sattar, A.R., Khan, M.I. (2010) Data Mining Model for Higher Education System. European Journal of Scientific Research, str. 24-29
Bringula, R.P. (2013) Influence of faculty- and web portal design-related factors on web portal usability: A hierarchical regression analysis. Computers & Education, 68: 187-198
Delibasic, B., Vukicevic, M., Jovanovic, M. (2013) White-Box Decision Tree Algorithms: A Pilot Study on Perceived Usefulness, Perceived Ease of Use, and Perceived Understanding. International Journal of Engineering Education, str. 674-687
Delibasic, B., Vukicevic, M., Jovanovic, M., Suknovic, M. (2012) White-Box or Black-Box Decision Tree Algorithms: Which to Use in Education?. IEEE Transactions on Education, 56(3): 287-291
Garson, G.D. (1998) Neural networks: An introductory guide for social scientists. SAGE Publications Ltd
Han, J., Kamber, M. (2006) Data mining - concepts and tehniques. San Francisco: Elsevier
Hornik, K., Stinchcombe, M., White, H. (1989) Multilayer feedforward networks are universal approximators. Neural Networks, 2(5): 359-366
Jovanovic, M., Vukicevic, M., Milovanovic, M., Minovic, M. (2012) Using data mining on student behavior and cognitive style data for improving e-learning systems: a case study. International Journal of Computational Intelligence Systems, 5(3): 597-610
Jovanović, M., Vukićević, M., Isljamović, S., Suknović, M. (2012) Automatic evolutionary design of decision tree algorithm for prediction of university student success. u: Stochastic Modeling Techniques and Data Analysis International Conference, Chania, Greece
Jovanović, M., Vukicević, M., Isljamović, S., Delibašić, B., Suknović, M. (2012) Recommender system for selection of study program for higher education students. u: EURO 2012, Vilnius, Lithuania
Kotsiantis, S. B. (2012) Use of machine learning techniques for educational proposes: a decision support system for forecasting students’ grades. Artificial Intelligence Review, 37(4): 331-344
Liao, S., Wen, C. (2007) Artificial neural networks classification and clustering of methodologies and applications - literature analysis from 1995 to 2005. Expert Systems with Applications, 32(1): 1-11
Minaei-Bidgoli, B., Punch, W.F. (2003) Using Genetic Algorithms for Data Mining Optimization in an Educational Web-Based System. Lecture Notes in Computer Science, str. 2252-2263
Paliwal, M., Kumar, U.A. (2009) A study of academic performance of business school graduates using neural network and statistical techniques. Expert Systems with Applications, 36(4): 7865-7872
Romero, C., Ventura, S. (2007) Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, 33(1): 135-146
Romero, C., Ventura, S., Espejo, P.G., Hervas, C. (2008) Data mining algorithms to classify students. u: Proceedings of Educational Data Mining, str. 8-17
Romero, C., Espejo, P.G., Zafra, A., Romero, J.R., Ventura, S. (2013) Web usage mining for predicting final marks of students that use Moodle courses. Computer Applications in Engineering Education, 21(1): 135-146
Romero, C., Ventura, S. (2013) Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1): 12-27
Seber, G., Lee, A. (2003) Linear Regression Analysis. New Jersey: John Wiley & Sons
Sison, R., Shimura, M. (1998) Student Modelling and Machine Learning. International Journal ofArtificial Intelligence in Education, (9): 128-158
Thomas, J., Chongwatpol, J., Pengnate, F., Hass, M. (2011) Data mining in higher education: University student declaration of major data mining in higher education. u: University student declaration of major, MWAIS 2011, Omaha, Nebraska
Top, E. (2012) Blogging as a social medium in undergraduate courses: Sense of community best predictor of perceived learning. Internet and Higher Education, 15(1): 24-28
Vapnik, V., Golowich, S.E., Smola, A. (1996) Support vector method for function approximation, regression estimation, and signal processing. u: Advances in Neural Information Processing Systems, MIT Press, 9 (pp. 281-287)
Vapnik, V.N. (1982) Estimation of dependences based on empirical data. Springer