Застосування дерев прийняття рішень для аналізу впливу неакадемічних чинників на початковий рівень знань студентів

Ключові слова: інтелектуальний аналіз даних навчальних програм; класифікація; дерева класифікацій; продуктивність; J48; LMT; Random Forest; Random Tree; метод перехресної перевірки; навчальні програми; IT; інженерія програмного забезпечення; прогнозування; порівняння алгоритмів

Анотація

Проаналізовано резюме, що подали кандидати на навчальні курси в галузі інформаційних технологій. Проаналізовано потенційні фактори, що можуть бути включені до вибірки для проведення експерименту. З цього списку резюме вибрано незалежні неакадемічні фактори, які беруться до уваги в дослідженні. Ці фактори можуть мати вплив на успішність кандидатів, що розпочинають навчання на освітніх програмах із напряму інженерії програмного забезпечення, та можуть бути розглянуті у вирішенні задачі прогнозування успішності. На основі цієї вибірки факторів розглянуто методи інтелектуального аналізу даних для класифікації кандидатів, беручи за основу результати проходження тесту на виявлення початкового рівня знань. Під час експерименту використано алгоритми генерації дерев прийняття рішень. Алгоритми, які застосовувалися під час дослідження: J48, LMT, Random Forest, Random Tree. Для оцінки точності класифікації застосовували метод перехресної перевірки. Проведено оцінку атрибутів, що враховуються під час експерименту. Згенеровано дерево прийняття рішень для аналізу факторів, що впливають на початковий рівень знань. Здійснено порівняння вибраних алгоритмів за точністю та швидкодією. Експериментальним способом виявлено основний фактор, що має найбільший вплив на якість проходження тесту на початковий рівень знань. Виявлено другорядні фактори, що також мають вплив на проходження тесту.

Біографія автора

В. Р. Вергун, Національний університет "Львівська політехніка", м. Львів

аспірант, кафедра автоматизованих систем управління

Посилання

Demchenko, Dmytro. (2018). Labor market 2018 according to DOU: salaries and number of IT Specialists are increasing. Ukraine – Startup And Technology News. Retrieved from: https://ain.ua/en/2018/12/28/labor-market-2018-according-to-dou/

Devasia, Tismy & T P, Vinushree & Hegde, Vinayak. (2016). Prediction of students performance using Educational Data Mining. 91–95. https://doi.org/10.1109/SAPIENCE.2016.7684167

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

Garba Kolo, Ali & Munira Binti, Wan & Wan Jaafar, Wan & Binti Ahmad, Nobaya. (2017). Influence of Psychosocial Factors on Students Academic Performance in One of Nigerian Colleges of Education.

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

Hellas, A., Ihantola, P., Petersen, A., Ajanovski, Vangel, V., et al. (2018). Predicting academic performance. In Proceedings Companion of the 23rd Annual ACM Conference on Innovation and Technology in Computer Science Education (ITiCSE 2018 Companion). ACM, New York, NY, USA. (pp. 175–199). https://doi.org/10.1145/3293881.3295783

Hien, Thi Ngoc, Nguyen & Haddawy, Peter. (2007). A decision support system for evaluating international student applications. Proc. Frontiers Educ. Conf. F2A-1. https://doi.org/10.1109/FIE.2007.4417958

Hoeschler, Peter & Backes-Gellner, Uschi. (2014). College dropout and self-esteem. https://doi.org/10.5167/uzh-102178

Hong, Sun-Mook. (1984). The Age Factor in the Prediction of Tertary Academic Success. Higher Education Research & Development, 3(1), 61–70. https://doi.org/10.1080/0729436840030105

Hug, Theo, Lindner, Martin & Bruck, Peter. (2019). Microlearning: Emerging Concepts, Practices and Technologies after e-Learning.

Hussain, Sadiq & Abdulaziz Dahan, Neama & Ba-Alwib, Fadl & Najoua, Ribata. (2018). Educational Data Mining and Analysis of Students Academic Performance Using WEKA. Indonesian Journal of Electrical Engineering and Computer Science, 9, 447–459. https://doi.org/10.11591/ijeecs.v9.i2.pp447-459

Krasnikov, By Denys. (2016). Growing IT industry to fuel tech education evolution in Ukraine. The Kyiv Posts IT coverage is sponsored by Ciklum. The content is independent of the donors. Retrieved from: https://www.kyivpost.com/article/content/ukraines-it-edge/growing-it-industry-to-fuel-tech-education-evolution-in-ukraine-414137.html

Krumrei, E. J., Newton, F. B., Kim, E., & Wilcox, D. (2013). Psychosocial factors predicting first-year college student success. Retrieved from: http://krex.ksu.edu

Kumar, Surjeet & Bharadwaj, Brijesh & Pal, Saurabh. (2012). Mining Education Data to Predict Students Retention: A comparative Study. International Journal of Computer Science and Information Security, 10, 113–117.

Likarchuk, I., Rakov, S., Gudzynsky, V., & Kovtunets, V. (2010). Quality of Universities Admission Based on External Independent Assessment in Ukraine. 36th annual conference, International Association for Educational Assessment.

Livieris, I. E., Drakopoulou, K., Kotsilieris, T., Tampakas, V., & Pintelas, P. (2017). DSS-PSP – A Decision Support Software for Evaluating Students Performance. In G. Boracchi, L. Iliadis, C. Jayne, A. Likas (Eds), Engineering Applications of Neural Networks. EANN 2017. Communications in Computer and Information Science, 744. Springer, Cham.

Livieris, I., & Mikropoulos, Tassos & Pintelas, P. (2016). A decision support system for predicting students performance. Themes in Science & Technology Education, 9, 43–57.

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. https://doi.org/10.1344/der.2018.33.235-266

Meit, Scott & J. Borges, Nicole & A. Early, Larry. (2007). Personality Profiles of Incoming Male and Female Medical Students: Results of a Multi-Site 9Year Study. Medical Education Online. 12. 1 https://doi.org/10.3402/meo.v12i.4462

Moore, David R., Cheng, Mei-I. & Dainty, Andrew, R. J. (2002). Competence, competency and competencies: performance assessment in organisations. Work Study, 51(6), 314–319, https://doi.org/10.1108/00438020210441876

Naqvi, Sayyed. (2006). Factors affecting students performance a Case of Private Colleges. Bangladesh e-Journal of Sociology, 3.

Osmanbegovic, Edin, & Suljic, Mirza. (2012). Data Mining Approach for Predicting Student Performance: Economic Review. Journal of Economics and Business, 10(1), 3–12. University of Tuzla, Faculty of Economics, Tuzla.

Pasichnyk, V., & Kunanets, N. (2015). IT education and IT business in Ukraine: Responses to the modern challenges. Computer Sciences and Information Technologies: 10th International Scientific and Technical Conference, Lviv. (pp. 48–51).

Pellizzari, Michele, & Francesco C. Billari. (2012). The Younger, the Better? Age-Related Differences in Academic Performance at University. Journal of Population Economics, 25(2), 697–739. JSTOR, www.jstor.org/stable/41408932.

Rao, Prasad & Chandra, M. V. P. & Ramesh, B. (2016). Predicting Learning Behavior of Students using Classification Techniques. International Journal of Computer Applications, 139, 15–19. https://doi.org/10.5120/ijca2016909188

Sapiton, Mike. (2019). How the IT industry of Ukraine and Eastern Europe works: a report. Ukraine – Startup And Technology News. Retrieved from: https://ain.ua/en/2019/02/15/it-industry-of-ukraine-and-eastern-europe/

Sarker, F. et al. (2013). Students performance prediction by using institutional internal and external open data sources. CSEDU13: 5th International Conference on Computer Supported Education, Aachen, Germany.

Vasylyeva, A., & Merkle, O. (2018). "Combatting corruption in higher education in Ukraine," MERIT Working Papers 021, United Nations University – Maastricht Economic and Social Research Institute on Innovation and Technology (MERIT).

Verma, Chaman & Illés, Zoltán & Stoffova, Veronika. (2019). Age Group Predictive Models for the Real Time Prediction of the University Students using Machine Learning: Preliminary Results.

Zughoul, O., et al. (2018). Comprehensive Insights Into the Criteria of Student Performance in Various Educational Domains. In IEEE Access, 6, 73245–73264. https://doi.org/10.1109/ACCESS.2018.2881282

Опубліковано
2019-10-31
Як цитувати
Вергун, В. Р. (2019). Застосування дерев прийняття рішень для аналізу впливу неакадемічних чинників на початковий рівень знань студентів. Науковий вісник НЛТУ України, 29(8), 147-151. https://doi.org/10.36930/40290827
Розділ
Інформаційні технології