DETERMINING STUDENT'S ONLINE ACADEMIC PERFORMANCE USING MACHINE LEARNING TECHNIQUES

Atika Islam; Faisal Bukhari; Muhammad Awais Sattar; Ayesha Kashif

doi:10.35784/iapgos.6173

Open full text

PDF (English)

Opublikowane: wrz 30, 2024

DOI: https://doi.org/10.35784/iapgos.6173

Numer Tom 14 Nr 3 (2024)

Artykuły

TEORETYCZNE PODEJŚCIE DO OKREŚLANIA EMISYJNOŚCI MATERIAŁÓW STAŁYCH I JEJ PORÓWNANIE Z BADANIAMI EKSPERYMENTALNYMI NA PRZYKŁADZIE STALI PROSZKOWEJ 316L
Oleksandr Vasilevskyi, Michael Cullinan, Jared Allison

5-8
SYSTEM INFORMACYJNY DO WYKRYWANIA PARAMETRÓW NIEBEZPIECZNYCH OBIEKTÓW PRZEMYSŁOWYCH NA PODSTAWIE TECHNOLOGII GEOINFORMACYJNYCH
Oleg Barabahs, Olha Svynchuk, Olena Bandurka, Oleh Ilin

9-14
OKRESOWE FUNKCJE ATEB I METODA VAN DER POLA DO KONSTRUOWANIA ROZWIĄZAŃ DWUWYMIAROWYCH NIELINIOWYCH MODELI OSCYLACJI CIAŁ SPRĘŻYSTYCH
Yaroslav Romanchuk, Mariia Sokil, Leonid Polishchuk

15-20
WYKORZYSTANIE REGRESJI PROCESU GAUSSA DO IDENTYFIKACJI NIELINIOWYCH PROCESÓW SEPARACJI MAGNETYCZNEJ
Oleksandr Volovetskyi

21-28
DWUWYMIAROWA MAPA HIPERCHAOTYCZNA DLA CHAOTYCZNYCH OSCYLACJI
Oleh Krulikovskyi, Serhii Haliuk, Ihor Safronov, Valentyn Lesinskyi

29-34
NEUROBIOLOGICZNE WŁAŚCIWOŚCI STRUKTURY SIECI RÓWNOLEGŁO-HIERARCHICZNEJ I JEJ WYKORZYSTANIE DO ROZPOZNAWANIA WZORCÓW
Leonid Timchenko, Natalia Kokriatskaia, Volodymyr Tverdomed, Anatolii Horban, Oleksandr Sobovyi, Liudmyla Pogrebniak, Nelia Burlaka, Yurii Didenko, Maksym Kozyr, Ainur Kozbakova

35-38
MODELE FAŁSZYWEGO I POPRAWNEGO WYKRYWANIA SYGNAŁÓW WYCIEKU INFORMACJI Z EKRANÓW MONITORÓW PRZEZ WYSPECJALIZOWANE ŚRODKI TECHNICZNE WROGIEGO WYWIADU
Dmytro Yevgrafov, Yurii Yaremchuk

39-42
USPRAWNIENIE CYFROWEGO KORELACYJNO-INTERFEROMETRYCZNEGO USTALANIA KIERUNKU ZA POMOCĄ PRZESTRZENNEGO SYGNAŁU ANALITYCZNEGO
Nurzhigit Smailov, Vitaliy Tsyporenko, Akezhan Sabibolda, Valentyn Tsyporenko, Askar Abdykadyrov, Assem Kabdoldina, Zhandos Dosbayev, Zhomart Ualiyev, Rashida Kadyrova

43-48
MODEL MATEMATYCZNY I STRUKTURA SIECI NEURONOWEJ DO WYKRYWANIA CYBERATAKÓW NA SYSTEMY TELEINFORMATYCZNE I KOMUNIKACYJNE
Lubov Zahoruiko, Tetiana Martianova, Mohammad Al-Hiari, Lyudmyla Polovenko, Maiia Kovalchuk, Svitlana Merinova, Volodymyr Shakhov, Bakhyt Yeraliyeva

49-55
METODA TWORZENIA SYSTEMU SKRÓCONEGO KODU POZYCYJNEGO DLA PRZEKSZTAŁCONYCH OBRAZÓW WIDEO
Volodymyr Barannik, Roman Onyshchenko, Gennady Pris, Mykhailo Babenko, Valeriy Barannik, Vitalii Shmakov, Ivan Pantas

56-60
OPARTE NA LICZBACH Z MODELOWANIE GRUPOWEGO PODEJMOWANIA DECYZJI DOTYCZĄCYCH WYBORU DOSTAWCÓW W SYSTEMACH PRODUKCYJNYCH
Kamala Aliyeva

61-67
OPTYMALIZACJA INTELIGENTNIE STEROWANEGO BEZMOSTKOWEGO DODATNIEGO PRZEKSZTAŁTNIKA LUO DLA POJAZDÓW ELEKTRYCZNYCH O MAŁEJ POJEMNOŚCI
Rangaswamy Balamurugan, Ramasamy Nithya

68-70
ZMODYFIKOWANY VGG16 DO DOKŁADNEGO WYKRYWANIA GUZÓW MÓZGU W OBRAZACH MRI
Katuri Rama Krishna, Mohammad Arbaaz, Surya Naga Chandra Dhanekula, Yagna Mithra Vallabhaneni

71-75
EKG OPARTE NA IOT: HYBRYDOWE PODEJŚCIE CNN-BILSTM DO KLASYFIKACJI ZAWAŁÓW MIĘŚNIA SERCOWEGO
Abdelmalek Makhir, My Hachem El Yousfi Alaoui, Larbi Bellarbi, Abdelilah Jilbab

76-80
ZINTEGROWANY MODEL HYBRYDOWY DO WYKRYWANIA CHORÓB PŁUC Z WYKORZYSTANIEM GŁĘBOKIEGO UCZENIA SIĘ
Budati Jaya Lakshmi Narayana, Gopireddy Krishna Teja Reddy, Sujana Sri Kosaraju, Sirigiri Rajeev Choudhary

81-85
MAPOWANIE POLARYZACYJNO-KORELACYJNE OBRAZÓW MIKROSKOPOWYCH TKANEK BIOLOGICZNYCH O RÓŻNEJ STRUKTURZE MORFOLOGICZNEJ
Nataliia Kozan, Oleksandr Saleha, Olexander Dubolazov, Yuriy Ushenko, Iryna Soltys, Oleksandr Ushenko, Oleksandr Olar, Victor Paliy, Saule Smailova

86-90
WYKRYWANIE I KLASYFIKACJA RYB W CZASIE RZECZYWISTYM W ŚRODOWISKU PODWODNYM PRZY UŻYCIU YOLOV5: BADANIE PORÓWNAWCZE ARCHITEKTUR GŁĘBOKIEGO UCZENIA
Rizki Multajam, Ahmad Faisal Mohamad Ayob, W.S. Mada Sanjaya, Aceng Sambas, Volodymyr Rusyn, Andrii Samila

91-95
WYKRYWANIE CHWASTÓW NA MARCHWI PRZY UŻYCIU KONWOLUCYJNEJ SIECI NEURONOWEJ I INTERNETU RZECZY OPARTEGO NA SMARTFONIE
Lintang Patria, Aceng Sambas, Ibrahim Mohammed Sulaiman, Mohamed Afendee Mohamed, Volodymyr Rusyn, Andrii Samila

96-100
ANALIZA I BADANIE PARAMETRÓW WALCOWANIA ZWOJÓW NA POCHYŁEJ PŁASZCZYŹNIE
Larysa Gumeniuk, Lesya Fedik, Volodymyr Didukh, Pavlo Humeniuk

101-104
ANALIZA METOD REKOMENDACJI TREŚCI W SERWISACH INFORMACYJNYCH
Oleksandr Necheporuk, Svitlana Vashchenko, Nataliia Fedotova, Iryna Baranova, Yaroslava Dehtiarenko

105-108
OCENA WYDAJNOŚCI AKADEMICKIEJ STUDENTÓW W NAUCE ONLINE ZA POMOCĄ TECHNIK UCZENIA MASZYNOWEGO
Atika Islam, Faisal Bukhari, Muhammad Awais Sattar, Ayesha Kashif

109-117
ENTROPIJNA OCENA WPŁYWU EDUKACJI NA ROZWÓJ GOSPODARCZY
Yelyzaveta Mykhailova, Nataliia Savina, Volodymyr Lytvynenko, Stanislav Mykhailov

118-122
SYSTEM ІNFORMATYCZNY DO OCENY POZIOMU ZARZĄDZANIA KAPITAŁEM LUDZKIM
Anzhelika Azarova, Larysa Azarova, Iurii Krak, Olga Ruzakova, Veronika Azarova

123-128
ZDECENTRALIZOWANA PLATFORMA FINANSOWANIA PROJEKTÓW CHARYTATYWNYCH
Iryna Segeda, Vladyslav Kotsiuba, Oleksii Shushura, Viktoriia Bokovets, Natalia Koval, Aliya Kalizhanova

129-134

Archiwum

2025

Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

2020

Tom 10 Nr 4
2020-12-20 16
Tom 10 Nr 3
2020-09-30 22
Tom 10 Nr 2
2020-06-30 16
Tom 10 Nr 1
2020-03-30 19

DOI

https://doi.org/10.35784/iapgos.6173

Authors

Atika Islam

atika.islam@riphah.edu.pk

Riphah International University Lahore, Riphah School of Computing and Innovation (RSCI), Pakistan

https://orcid.org/0009-0002-5400-7841

Faisal Bukhari

faisal.bukhari@pucit.edu.pk

University of The Punjab Lahore, Faculty of Computing and Information Technology (FCIT), Pakistan

https://orcid.org/0000-0002-7703-9742

Muhammad Awais Sattar

awais.sattar@riphah.edu.pk

Riphah International University, Pakistan

https://orcid.org/0000-0002-2431-8182

Ayesha Kashif

ayesha.kashif@riphah.edu.pk

Riphah International University Lahore, Riphah School of Computing and Innovation (RSCI), Pakistan

Abstrakt

Przewidywanie wyników akademickich studentów podczas nauki online było uważane za ważne zadanie w okresie pandemii. W trakcie nauki w trybie online działalność akademicka była zakłócana w taki sposób, że zarządy instytucji edukacyjnych planowały projektowanie systemów wsparcia do przewidywania wyników studentów w celu zmniejszenia wskaźnika rezygnacji ze studiów i poprawy działalności akademickiej. Podczas COVID-19 głównym wyzwaniem jest utrzymanie ocen studentów poprzez przewidywanie ich wyników akademickich za pomocą różnych technik, takich jak Edukacyjna Analiza Danych i Analityka Edukacyjna. Zidentyfikowano różne cechy związane z mechanizmami nauczania w nauce online, które mają duży wpływ na poprawę wyników akademickich. Wysokiej jakości zestaw danych pomaga generować produktywne wyniki, które z kolei pomagają podejmować skuteczne decyzje na rzecz promowania wysokiej jakości edukacji. W tym badaniu zaproponowano pięć modeli predykcyjnych do przewidywania wyników akademickich, zbierając niezrównoważony zestaw danych 350 studentów z tej samej dziedziny informatyki. Po zastosowaniu technik przetwarzania wstępnego do oczyszczania danych, zastosowano modele uczenia maszynowego, w tym klasyfikator K-Najbliższych Sąsiadów, Drzewo Decyzyjne, Las Losowy, Klasyfikator Wektorów Wspierających oraz Naiwny Klasyfikator Bayesa Gaussowskiego. Wyniki przewidziano dla niezrównoważonego i zrównoważonego zestawu danych po selekcji cech. Klasyfikator wektorów wspierających wyprodukował najlepsze wyniki w zrównoważonym zestawie danych z wybranymi cechami, osiągając dokładność 96,89%.

Słowa kluczowe:

edukacyjna eksploracja danych, analityka uczenia się, losowy las, klasyfikator wektora wsparcia

Bibliografia

[1] Akour I. et al.: Using machine learning algorithms to predict people’s intention to use mobile learning platforms during the COVID-19 pandemic: machine learning approach. JMIR Medical Education 7, 2021, e24032. DOI: https://doi.org/10.2196/24032

[2] Altabrawee H., Ali O. A. J., Ajmi S. Q.: Predicting students’ performance using machine learning techniques. Journal of University of Babylon for pure and applied sciences 27, 2019, 194–205. DOI: https://doi.org/10.29196/jubpas.v27i1.2108

[3] Aman F. et al.: A predictive model for predicting students academic performance. 10th International Conference on Information, Intelligence, Systems and Applications – IISA. IEEE, 2019, 1–4. DOI: https://doi.org/10.1109/IISA.2019.8900760

[4] Arnold K. E., Pistilli M. D.: Course signals at Purdue: Using learning analytics to increase student success. 2nd International Conference on Learning Analytics and Knowledge, 2012, 267–270. DOI: https://doi.org/10.1145/2330601.2330666

[5] Baraniuk R.: Open education: New opportunities for signal processing. IEEE International Conference on Acoustics, Speech and Signal Processing – ICASSP, 2015.

[6] Bhardwaj B. K., Pal S.: Data Mining: A prediction for performance improvement using classify cation. arXiv preprint arXiv:1201.3418, 2012.

[7] Bhutto E. S. et al.: Predicting students’ academic performance through supervised machine learning. International Conference on Information Science and Communication Technology – ICISCT. IEEE, 2020, 1–6. DOI: https://doi.org/10.1109/ICISCT49550.2020.9080033

[8] Borge N.: Artificial intelligence to improve education/learning challenges. International Journal of Advanced Enginering & Innovative Technology – IJAEIT 2, 2016, 10–13.

[9] Chaudhury P. et al.: Enhancing the capabilities of student result prediction system. Second International Conference on Information and Communication Technology for Competitive Strategies, 2016, 1–6. DOI: https://doi.org/10.1145/2905055.2905150

[10] Clow D.: An overview of learning analytics. Teaching in Higher Education 2013, 18, 683–695. DOI: https://doi.org/10.1080/13562517.2013.827653

[11] Ever Y. K., Dimililer K.: The effectiveness of a new classification system in higher education as a new e-learning tool. Quality & Quantity 52, 2018, 573–582. DOI: https://doi.org/10.1007/s11135-017-0636-y

[12] Gray G., McGuinness C., Owende P.: An application of classification models to predict learner progression in tertiary education. IEEE International Advance Computing Conference – IACC. IEEE, 2014, 549–554. DOI: https://doi.org/10.1109/IAdCC.2014.6779384

[13] Huang S., Fang N.: Work in progress: Early prediction of students’ academic performance in an introductory engineering course through different mathematical modeling techniques. Frontiers in Education Conference Proceedings. IEEE, 2012, 1–2. DOI: https://doi.org/10.1109/FIE.2012.6462242

[14] Kolo D. K., Adepoju S. A., Alhassan J. K.: A decision tree approach for predicting students academic performance. I.J. Education and Management Engineering 5, 2015, 12–19. DOI: https://doi.org/10.5815/ijeme.2015.05.02

[15] Kotsiantis S. B.: Use of machine learning techniques for educational proposes: a decision support system for forecasting students’ grades. Artificial Intelligence Review 37, 2012, 331–344. DOI: https://doi.org/10.1007/s10462-011-9234-x

[16] Mueen A., Zafar B., Manzoor U.: Modeling and Predicting Students’ Academic Performance Using Data Mining Techniques. International Journal of Modern Education & Computer Science 8, 2016. DOI: https://doi.org/10.5815/ijmecs.2016.11.05

[17] Osmanbegovic E., Suljic M.: Data mining approach for predicting student performance. Economic Review: Journal of Economics and Business 10, 2012, 3–12.

[18] Oyedeji A. O. et al.: Analysis and prediction of student academic performance using machine learning. JITCE (Journal of Information Technology and Computer Engineering) 4, 2020, 10–15. DOI: https://doi.org/10.25077/jitce.4.01.10-15.2020

[19] Rachburee N., Punlumjeak W.: A comparison of feature selection approach between greedy, IG-ratio, Chi-square, and mRMR in educational mining. 7th International Conference on Information Technology and Electrical Engineering – ICITEE. IEEE, 2015, 420–424. DOI: https://doi.org/10.1109/ICITEED.2015.7408983

[20] Romero C., Ventura S.: Educational data mining: A survey from 1995 to 2005. Expert systems with applications 33, 2007, 135–146. DOI: https://doi.org/10.1016/j.eswa.2006.04.005

[21] Said M. A., Idris M., Hussain S.: Relationship between Social Behaviour and Academic Performance of Students at Secondary Level in Khyber Pakhtunkhwa. Pakistan Journal of Distance and Online Learning 4, 2018, 153–170.

[22] Sekeroglu B., Dimililer K., Tuncal K.: Student performance prediction and classification using machine learning algorithms. 8th International Conference on Educational and Information Technology, 2019, 7–11. DOI: https://doi.org/10.1145/3318396.3318419

[23] Singh A., Halgamuge M. N., Lakshmiganthan R.: Impact of different data types on classifier performance of random forest, naive bayes, and k-nearest neighbors algorithms. International Journal of Advanced Computer Science and Applications 8, 2017. DOI: https://doi.org/10.14569/IJACSA.2017.081201

[24] Thammasiri D. et al.: A critical assessment of imbalanced class distribution problem: The case of predicting freshmen student attrition. Expert Systems with Applications 41, 2014, 321–330. DOI: https://doi.org/10.1016/j.eswa.2013.07.046

[25] Wolff A. et al.: Developing predictive models for early detection of at-risk students on distance learning modules. LAK Workshops, 2014.

Islam, A., Bukhari, F., Sattar, M. A., & Kashif, A. (2024). OCENA WYDAJNOŚCI AKADEMICKIEJ STUDENTÓW W NAUCE ONLINE ZA POMOCĄ TECHNIK UCZENIA MASZYNOWEGO. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 14(3), 109–117. https://doi.org/10.35784/iapgos.6173

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 14 Nr 3 (2024)

Archiwum

##plugins.themes.bootstrap3.article.main##

DOI

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja