一种预测远程教育学生学业成绩的算法
科尔多瓦大学的一个团队设计了一个基于模糊逻辑的模型，可以预测在线教育学生的表现，将他们分为 4 类，帮助教授根据每个学生的情况，为他们提供更个性化的帮助
远程教育使知识获取民主化，克服了时间和空间问题。此类系统的灵活性和可访问性增加了通过在线平台接受教育的人数。然而，由于学生人数众多，并且缺乏课堂上的密切互动，教授们面临着一个大问题：难以监控和适应学生的学习。
基于人工智能的工具可以帮助教授预测学生的表现，以便他们根据不同的学习情况调整教育策略。
为了促进这种适应并改进在线教育，由研究人员 Juan Carlos Gámez、Aurora Esteban、Francisco Javier Rodríguez 和 Amelia Zafra 组成的科尔多瓦大学团队开发了一种预测学生表现的算法，有四种不同的分类。与之前的模型仅根据“通过或失败”或“退学或继续”课程来预测这种表现相比，“这种基于序数分类和模糊逻辑的算法使我们能够预测学生的表现，同时保持类别之间的顺序关系：退学、不及格、通过和区别，”UCO 计算机科学和数值分析系的研究员 Amelia Zafra 解释道。
通过这种方式，FlexNSLVOrdalgorithm 可以做出更好的预测，同时也允许教授根据学生的分类更好地调整他们的策略。
这种开发提供的两个优点是使用带有成本矩阵的序数分类，使得可以对学习中序数类的权重进行建模并使该排名更加具体。UCO 电子与计算机工程系研究员 Juan Carlos Gámez 解释说，自适应模糊逻辑“可以提供一定的灵活性，因为与适用于特定值的标准逻辑相比，模糊逻辑适用于一系列特定值，并且它会自动适应问题使用更接近我们日常生活的推理。”
该模型由在线教学系统生成的数据提供支持。例如，预测表现时考虑的特征包括特定任务和调查问卷的完成情况、学生的成绩以及他们对平台上可用的不同资源的点击。
对于研究人员来说，“可解释性”也是关键。也就是说，理解它产生的结果的可能性。在跟踪学生的行为后，该模型会进行分类，但也会让自己被理解，因为“与黑盒算法相比，黑盒算法会告诉你学生是否会通过或退学，但不会告诉你如何或为什么，”扎弗拉解释说，新工具“为每个类别提供了一系列规则，显示学生必须执行的最相关的资源和活动”。因此，该算法可以帮助教育工作者识别学生，并能够使用“例如，拯救有问题的学生”的强化措施或策略。
事实上，该算法甚至允许教授确定哪些类型的特征在衡量性能方面是决定性的，哪些不是。UCO 电子与计算机工程系研究员弗朗西斯科·哈维尔·罗德里格斯 (Francisco Javier Rodríguez) 补充道：“也许教授认为有一项任务对此很重要，但事实证明，这对于学生最终通过还是失败并不关键。” 。
该算法已经使用来自大量学生和课程样本的大量免费开放大学公共学习数据 (OULAD) 进行了测试。将来，该算法可以作为在线教育平台(如 Moodle)上的应用程序，并可以自动向教育工作者提供有关学生表现的反馈。
版权声明：本文由用户上传，如有侵权请联系删除！