| Abstract |
Studentu atbiruma prognozēšana un dažādu faktoru, kas ietekmē studentu noturību dažādās mācību vidēs, identificēšana ir arvien plašāk attīstīta pētniecības joma, kuras mērķis ir uzlabot mācību efektivitāti un rezultātus. Darba autors pēta studentu modelēšanas jēdzienu mācību vidēs, dažādas studentu īpašību dimensijas, kuras varētu un vajadzētu ietvert studentu modelī, un to, kā studentu modeļa integrācija ar citiem mācību sistēmas komponentiem, īpaši mākslīgā intelekta risinājumiem, palīdz optimizēt mācību saturu un ceļus katram studentam. Darbā turpināts pētīt un salīdzināt dažādus mainīgos lielumus, kas ietekmē, korelē ar un var prognozēt studentu atbirumu mācībās. Lai gan tika pētīti dažādi veidi, kā šos faktorus iedalīt kategorijās, autors dod priekšroku vispirms tos iedalīt kategorijās, pamatojoties uz to laika dispersiju, un pēc tam iedalīt faktorus vai mainīgos katrā kategorijā, pamatojoties uz citiem būtiskiem kritērijiem. Pārbaudot labākos mašīnmācīšanās (MM) algoritmus, ko izmanto studentu atbiruma prognozēšanā, autors izvēlējās un salīdzināja šādus mašīnmācīšanās algoritmus: loģistisko regresiju, dziļos neironu tīklus, atbalsta vektoru mašīnas un izlases mežu. Atlase tika veikta, pamatojoties uz to daudzsološajiem, provizoriskajiem rezultātiem, kas tika noteikti, veicot dažus novērtējuma testus praktiskā pētījumā. Autors izvēlējās tiešsaistes universitātes datu kopu, kurā ir studentu mācību mijiedarbība un demogrāfiskie dati, un izmantoja to izveidoto MM modeļu apmācībai un testēšanai, izmantojot izvēlētos MM algoritmus, lai prognozētu riskam pakļautos studentus jebkurā nedēļā kursa norises laikā. Autors parādīja, ka ir iespējams efektīvi prognozēt riskantos studentus, izmantojot apkopotus mācību aktivitāšu apjomus līdz prognozēšanas brīdim, kas papildināti ar citu pazīmju grupu, kas sniedz informāciju par apmeklējuma un kavējumu modeļiem. Šajā pētījumā izceltas izvēlēto MM algoritmu veiktspējas atšķirības un plusi/mīnusi, un noslēgumā sniegtas atsauces uz citiem pētījumiem, kas paplašina un bagātina šajā darbā pētīto problēmsfēru.
Darbu veido trīs nodaļas, kas aptver 64 lappuses. Darbā izmantoti 68 informācijas avoti, pievienoti 29 attēli, 8 tabulas un trīs pielikumi, kuros ietverts datubāzes kods, datu paraugu attēli un SQL vaicājumi. |
