Noslēguma darbu reģistrs
  
Studiju darba apraksts
Studiju veids bakalaura akadēmiskās studijas
Studiju programmas nosaukums Datorsistēmas
Nosaukums Mašīnmācīšanās metožu analīze studenta uzvedības modelēšanai
Nosaukums angļu valodā Analysis of machine learning methods for the student behavior modeling
Struktūrvienība 33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte
Darba vadītājs Sintija Petroviča-Kļaviņa
Recenzents Mihails Ivanovs
Anotācija Studentu uzvedības analīze, izmantojot mašīnmācīšanos, sniedz pedagogiem vērtīgu ieskatu agrīnai iejaukšanās, rezultātu prognozēšanai, studentu iesaistīšanās prognozēšanai utt. Tas palīdz nepārtraukti uzlabot izglītības stratēģijas un mācību materiālus, galu galā atbalstot individuālu mācīšanos atsevišķiem studentiem. Pastāv dažādi studentu uzvedības veidi, piemēram, sistēmas spēlēšanas uzvedība, ārpusuzdevumu uzvedība un iesaistīšanās uzvedība, ko var novērot dažādās mācību vidēs, piemēram, intelektuālās mācības sistēmās, mācību pārvaldības sistēmās un virtuālajās mācību vidēs. Darba mērķis ir izpētīt un salīdzināt mašīnmācīšanās metodes studentu uzvedības modelēšanai mācību vidēs. Lai to panāktu, autors izmantoja četrus mašīnmācīšanās modeļus, t.i., gadījumu mežu, neironu tīklus, loģistisko regresiju un lēmumu koku, kas tika izmantoti, lai prognozētu studentu iesaistīšanos un uzvedību uzdevuma laikā un ārpus uzdevuma trīs dažādās datu kopās, kas savāktas no trim dažādām mācību vidēm. Mašīnmācīšanās modeļi tika salīdzināti un novērtēti, pamatojoties tādām uz novērtēšanas metrikām kā apgabals zem līknes (AUC), klasifikācijas precizitāte, F1, precizitāte un atsaukšana. Darba analīzi un rezultātus var izmantot, lai izvēlētos mašīnmācīšanās modeļus studentu uzvedības prognozēšanai mācību vidē.
Atslēgas vārdi Studentu uzvedība, Studentu uzvedības modelēšana, Mašīnmācīšanās metodes studentu uzvedībai, Studentu iesaistīšanās prognozēšana, Uzdevumu izpildes uzvedības prognozēšana
Atslēgas vārdi angļu valodā Student behaviour, Student behaviour modelling, Machine learning methods for student behaviour, Predicting student engagement, On-task behaviour prediction
Valoda eng
Gads 2024
Darba augšupielādes datums un laiks 05.01.2024 15:07:55