Характеристика методів розв'язання задачі класифікації в інтелектуальному аналізі даних навчальних програм


  • V. R. Verhun Національний університет "Львівська політехніка", м. Львів
Ключові слова: інтелектуальний аналіз навчальних програм; класифікація; продуктивність; алгоритми; навчальні програми; прогнозування; порівняння алгоритмів

Анотація

Досліджено публікації останніх років у галузі інтелектуального аналізу даних навчальних програм. Кількість досліджень у цій галузі зростає, проте здебільшого це однотипні дослідження, що використовують однакові вибірки даних. Розроблено критерії, відповідно до яких було отримано вибірку з публікаціями для проведення аналізу використання методів інтелектуального аналізу даних навчальних програм. Найбільше досліджень у галузі Інтелектуального Аналізу Даних у навчанні стосуються вирішення задачі кластеризації, класифікації та асоціації. Для створення вибірки до уваги обрано дослідження з використанням методів та алгоритмів, що вирішують задачу класифікації. Вибірка статей включає дослідження, що аналізують продуктивність методів класифікації та представляють результати та порівняння показників. За результатом аналізу вибрано алгоритми, що показують найкращі результати продуктивності серед інших алгоритмів з вибірки. Згідно із встановленими критеріями, кожна публікація повинна вирішувати конкретну наукову задачу. У цій галузі методи інтелектуального аналізу даних отримують застосування для вирішення різних прикладних задач у навчальному процесі. Відповідно до контексту та типу прикладної задачі залежить вибір конкретного методу та точність вибраних алгоритмів. Тому категоризація прикладних завдань дає змогу отримувати якісніші підходи до розв'язання наукової задачі. Встановлено категорії проблематики, яких стосуються найбільше наукових досліджень з використанням методів класифікації.

Біографія автора

V. R. Verhun, Національний університет "Львівська політехніка", м. Львів

аспірант, кафедра автоматизованих систем управління

Посилання

Abu-Oda, Ghadeer S., & Alaa M. El-Halees. (2015). Data mining in higher education: university student dropout case study. Data mining in higher education: university student dropout case study, 5(1), 13–19.
Agarwal, Sonali, Pandey, G. N., & Tiwari, M. D. (2012). Data mining in education: data classification and decision tree approach. International Journal of e-Education, e-Business, e-Management and e-Learning, 2(2), 140–145.
Al Luhaybi, Mashael, Tucker, Allan, & Yousefi, Leila. (2018). The Prediction of Student Failure Using Classification Methods. A Case study, 79–90. https://doi.org/10.5121/csit.2018.80506
Alban, Mayra, & David Mauricio. (2019). Predicting University Dropout through Data Mining: A Systematic Literature. Indian Journal of Science and Technology, 12, 4–9.
Asif, Raheela, et al. (2017). Analyzing undergraduate students' performance using educational data mining. Computers & Education, 113, 177–194.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. NY: Springer, 260 p.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5–32.
Bucos, Marian, & Bogdan Drăgulescu. (2018). Predicting student success using data generated in traditional educational environments. TEM Journal, 7(3), 617–620.
Dutt, A., Ismail, M. A., & Herawan, T. (2017). A Systematic Review on Educational Data Mining. IEEE Access, 5, 15991–16005. https://doi.org/10.1109/ACCESS.2017.2654247
Haykin, S. (2009). Neural networks and learning machines. Upper Saddle River, 3, 938. NJ, USA: Pearson.
Hellas, A., Ihantola, P., Petersen, A., Ajanovski, V. V., et al. (2018). Predicting Academic Performance: A Systematic Literature Review. In Proceedings Companion of the 23rd Annual ACM Conference on Innovation and Technology in Computer Science Education, (pp. 175–199). (ITiCSE 2018 Companion). New York, NY, USA: ACM. https://doi.org/10.1145/3293881.3295783
Jovanovic, Milos, et al. (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.
Kabakchieva, D. (2013). Predicting Student Performance by Using Data Mining Methods for Classification. Cybernetics and Information Technologies, 13(1), 61–72. https://doi.org/10.2478/cait-2013-0006
Kabakchieva, Dorina. (2013). Predicting student performance by using data mining methods for classification. Cybernetics and information technologies, 13(1), 61–72.
Kaur, Parneet, Manpreet Singh, & Gurpreet Singh Josan. (2015). Classification and prediction based data mining algorithms to predict slow learners in education sector. Procedia Computer Science, 57, 500–508.
Lopez, Manuel Ignacio, et al. (2012). Classification via clustering for predicting final marks based on student participation in forums. International Educational Data Mining Society, 234 p.
Maaliw III, Renato R., & Melvin A. Ballera. (2017). Classification of Learning Styles in Virtual Learning Environment Using J48 Decision Tree. International Association for Development of the Information Society, 420 p.
Manjarres, Andrés Villanueva, Luis Gabriel Moreno Sandoval, & Martha Salinas Suárez. (2018). Data mining techniques applied in educational environments: Literature Review. Digital Education Review, 33, 235–266.
Marbouti, Farshid, Heidi A. Diefes-Dux, & Krishna Madhavan. (2016). Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education, 103, 1–15.
Mobasher, Ghadeer, Ahmed Shawish, & Osman Ibrahim. (2017). Educational Data Mining Rule based Recommender Systems. CSEDU, 1., 34–39
Mr. Bhavesh Patel, & Dr. Jyotindra Dharwa. (2017). Selection of Optimal Classification Algorithms in Education Data Mining. Imperial Journal of Interdisciplinary Research, 3(1), 43–49.
Muthukrishnan, S. M., Govindasamy, M. K., & Mustapha, M. N. (2017). Systematic mapping review on student's performance analysis using big data predictive model. Journal of Fundamental and Applied Sciences, 9(4), 730–758.
Osmanbegović, Edin, Mirza Suljić, & Hariz Agić. (2015). Determining dominant factor for students performance prediction by using data mining classification algorithms. Tranzicija, 16(34), 147–158.
Parneet Kaur, Manpreet Singh, & Gurpreet Singh Josan. (2015). Classification and prediction based data mining algorithms to predict slow learners in education sector. 3rd Int. Conf. on Recent Trends in Computing. (Vol. 57, pp. ), 134–141).
Pirotti, F., Sunar, F., & Piragnolo, M. (2016). Benchmark of machine learning methods for classification of a Sentinel-2 image. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 41, 335–340.
Sapiton, M. (2019). How the IT industry of Ukraine and Eastern Europe works: a report. Retrieved from: https://ain.ua/en/2019/02/15/it-industry-of-ukraine-and-eastern-europe/
Shakeel, Khawar, & Naveed Anwer Butt. (2019). Educational Data Mining to Reduce Student Dropout Rate by Using Classification, 420 p.
Singh, Manmohan, Amit Dutta, & Ramesh Prasad Aharwal. Analysis: Classification Data Mining Process in Primary Education System. An e-Journal of RBIMS, 1(1), 34–39.
Soni, Astha, et al. (2018). Predicting student performance using data mining techniques. International Journal of Pure and applied Mathematics, 119(12), 221–227.
Umar Bawah, Faiza, & Ussiph, Najim. (2018). Appraisal of the Classification Technique in Data Mining of Student Performance using J48 Decision Tree, K-Nearest Neighbor and Multilayer Perceptron Algorithms. International Journal of Computer Applications, 179, 39–46. https://doi.org/10.5120/ijca2018916751
Veena, N., & Guruprasad, S. (2017). Comparative Analysis of Classification Algorithms for Student Performance. International Journal of Science Technology & Engineering, 4(2), 134–141.
Опубліковано
2019-06-27
Як цитувати
Verhun, V. R. (2019). Характеристика методів розв’язання задачі класифікації в інтелектуальному аналізі даних навчальних програм. Науковий вісник НЛТУ України, 29(6), 136-139. https://doi.org/10.15421/40290626
Розділ
Інформаційні технології галузі