Intelligent System for Student Performance Prediction Using Machine Learning

IF 17.7 1区化学 Q1 CHEMISTRY, MULTIDISCIPLINARY Accounts of Chemical Research Pub Date : 2024-05-19 DOI:10.21123/bsj.2024.9643

Mustafa S. Ibrahim Alsumaidaie, Ahmed Adil Nafea, Abdulrahman Abbas Mukhlif, Ruqaiya D. Jalal, Mohammed M. AL-Ani

{"title":"Intelligent System for Student Performance Prediction Using Machine Learning","authors":"Mustafa S. Ibrahim Alsumaidaie, Ahmed Adil Nafea, Abdulrahman Abbas Mukhlif, Ruqaiya D. Jalal, Mohammed M. AL-Ani","doi":"10.21123/bsj.2024.9643","DOIUrl":null,"url":null,"abstract":"يعتمد الذكاء الاصطناعي (AI) على الخوارزميات التي تمكن الآلات من اتخاذ قرارات بدلاً من البشر، مما يؤدي إلى تحسين تجارب المستخدم عبر مجالات متنوعة. تناقش هذه الدراسة حلاً ذكيًا للتنبؤ بأداء الطلاب وتحديد الطلاب الذين قد يحتاجون إلى دعم إضافي. يستخدم النظام المقترح خوارزميات التعلم الآلي الخاضع للإشراف: مصنف الغابة العشوائية، ومصنف الأشجار الإضافية، ومصنف. تتضمن منهجية البحث جمع البيانات والمعالجة المسبقة وتحديد الميزات وبناء النموذج والتقييم. يتم استخدام مجموعة بيانات مكونة من 24000 مثيل للتدريب و6000 مثيل للاختبار. يتم تطبيق تقنيات المعالجة المسبقة على مجموعة البيانات، ويتم استخدام خوارزميات تعلم الآلة للكشف عن أداء الطلاب. تقوم النماذج المدربة بتقييم نتائج الطلاب بناءً على استفسارات المستخدم. ويتم تقييم دقة وكفاءة النظام المقترح باستخدام المقاييس المناسبة. تحقق خوارزمية ET أعلى دقة تبلغ 98.15%، تليها خوارزمية RF بنسبة 94.03% وKNN بنسبة 91.65%. تُظهر مقاييس الدقة والاستدعاء قيمًا عالية عبر الخوارزميات الثلاثة. تعرض KNN وقت تدريب أقل بكثير يبلغ 0.00 ثانية، مما يوضح كفاءتها الحسابية. بشكل عام، توفر هذه الورقة رؤى فعالة حول تطبيق تعلم الآلة في التنبؤ بأداء الطلاب. يُظهر النموذج المقترح نتائج واعدة في تحديد الطلاب الذين يحتاجون إلى دعم إضافي، مما يتيح التدخلات المناسبة لتعزيز نتائجهم الأكاديمية. تساهم النتائج في التنقيب عن البيانات التعليمية في العراق ولها آثار على تحسين معدلات نجاح الطلاب في المؤسسات التعليمية.","PeriodicalId":1,"journal":{"name":"Accounts of Chemical Research","volume":"116 12","pages":""},"PeriodicalIF":17.7000,"publicationDate":"2024-05-19","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Accounts of Chemical Research","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.21123/bsj.2024.9643","RegionNum":1,"RegionCategory":"化学","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q1","JCRName":"CHEMISTRY, MULTIDISCIPLINARY","Score":null,"Total":0}

引用次数: 0

Abstract

يعتمد الذكاء الاصطناعي (AI) على الخوارزميات التي تمكن الآلات من اتخاذ قرارات بدلاً من البشر، مما يؤدي إلى تحسين تجارب المستخدم عبر مجالات متنوعة. تناقش هذه الدراسة حلاً ذكيًا للتنبؤ بأداء الطلاب وتحديد الطلاب الذين قد يحتاجون إلى دعم إضافي. يستخدم النظام المقترح خوارزميات التعلم الآلي الخاضع للإشراف: مصنف الغابة العشوائية، ومصنف الأشجار الإضافية، ومصنف. تتضمن منهجية البحث جمع البيانات والمعالجة المسبقة وتحديد الميزات وبناء النموذج والتقييم. يتم استخدام مجموعة بيانات مكونة من 24000 مثيل للتدريب و6000 مثيل للاختبار. يتم تطبيق تقنيات المعالجة المسبقة على مجموعة البيانات، ويتم استخدام خوارزميات تعلم الآلة للكشف عن أداء الطلاب. تقوم النماذج المدربة بتقييم نتائج الطلاب بناءً على استفسارات المستخدم. ويتم تقييم دقة وكفاءة النظام المقترح باستخدام المقاييس المناسبة. تحقق خوارزمية ET أعلى دقة تبلغ 98.15%، تليها خوارزمية RF بنسبة 94.03% وKNN بنسبة 91.65%. تُظهر مقاييس الدقة والاستدعاء قيمًا عالية عبر الخوارزميات الثلاثة. تعرض KNN وقت تدريب أقل بكثير يبلغ 0.00 ثانية، مما يوضح كفاءتها الحسابية. بشكل عام، توفر هذه الورقة رؤى فعالة حول تطبيق تعلم الآلة في التنبؤ بأداء الطلاب. يُظهر النموذج المقترح نتائج واعدة في تحديد الطلاب الذين يحتاجون إلى دعم إضافي، مما يتيح التدخلات المناسبة لتعزيز نتائجهم الأكاديمية. تساهم النتائج في التنقيب عن البيانات التعليمية في العراق ولها آثار على تحسين معدلات نجاح الطلاب في المؤسسات التعليمية.

查看原文

微信好友朋友圈 QQ好友复制链接

本刊更多论文

利用机器学习预测学生成绩的智能系统

人工智能（AI）以算法为基础，使机器能够代替人类做出决策，从而改善不同领域的用户体验。本研究讨论了一种用于预测学生成绩和识别可能需要额外支持的学生的智能解决方案。所提议的系统采用了有监督的机器学习算法：随机森林分类器、加法树分类器和分类器。研究方法包括数据收集、预处理、特征识别、模型建立和评估。数据集有 24000 个实例用于训练，6000 个实例用于测试。对数据集采用预处理技术，并使用机器学习算法检测学生成绩。训练好的模型根据用户查询来评估学生成绩。使用适当的指标对所提议系统的准确性和效率进行评估。ET 算法的准确率最高，达到 98.15%，其次是 RF 算法的 94.03%和 KNN 算法的 91.65%。精确度和召回率指标在三种算法中都显示出较高的数值。KNN 的训练时间更短，仅为 0.00 秒，显示了其计算效率。总之，本文为机器学习在预测学生成绩方面的应用提供了有效的见解。所提出的模型在识别需要额外支持的学生方面取得了可喜的成果，从而可以采取适当的干预措施来提高他们的学习成绩。这些发现有助于伊拉克的教育数据挖掘，并对提高教育机构的学生成功率具有重要意义。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文去求助

来源期刊

Accounts of Chemical Research 化学-化学综合

CiteScore

31.40

自引率

1.10%

发文量

312

审稿时长

2 months

期刊介绍： Accounts of Chemical Research presents short, concise and critical articles offering easy-to-read overviews of basic research and applications in all areas of chemistry and biochemistry. These short reviews focus on research from the author’s own laboratory and are designed to teach the reader about a research project. In addition, Accounts of Chemical Research publishes commentaries that give an informed opinion on a current research problem. Special Issues online are devoted to a single topic of unusual activity and significance. Accounts of Chemical Research replaces the traditional article abstract with an article "Conspectus." These entries synopsize the research affording the reader a closer look at the content and significance of an article. Through this provision of a more detailed description of the article contents, the Conspectus enhances the article's discoverability by search engines and the exposure for the research.