文献

J-GLOBAL ID：201802240540668696   整理番号：18A2044786

学生の学業成績を予測するための機械学習の利用に関する探索的研究【JST・京大機械翻訳】

An Exploratory Study on the Use of Machine Learning to Predict Student Academic Performance

著者 (1件)： Kenekayoro Patrick (Mathematics / Computer Science Department, Niger Delta University, Amassoma, Nigeria)
資料名： International Journal of Knowledge-Based Organizations  (International Journal of Knowledge-Based Organizations)
巻： 8  号： 4  ページ： 67-79  発行年： 2018年 
JST資料番号： W3915A  ISSN： 2155-6393  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 最適学生性能は,高等教育機関の成功に不可欠である。合意は,より良い学生の学術的性能を達成するための方法を同定するために,大規模なデータ分析が使用できるということである。本論文では,計算,数学および統計学的主題における過去のスコアに基づいて,計算および数学分野における将来の学生の性能を予測するために,サポートベクトルマシンを用いた。特定の分野における良好な性能と過去の主題知識との間の関係を同定する試みにおいて,学生が通過する過去の被験者を芸術的特徴選択技術の状態でランク付けした。80%までの分類精度がサポートベクトルマシンで達成され,この方法が学生のための推薦者または指導システムを作り出すために開発されることができるが,分類モデルはより多くの訓練例から利益を得ることができることを示した。本研究からの結果は,高等教育機関における教育と学習を改善するために機械学習技術を使用する可能性と利点を再強調した。Copyright 2018 IGI Global All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 統計学 ,  *機械学習 ,  等級づけ ,  サポートベクトルマシン ,  特徴選択 ,  データ解析 ,  教師つき学習
準シソーラス用語： ランダムフォレスト ,  機械学習技術 ,  分類モデル ,  分類精度 ,  被験者 ,  スコア ,  *学業成績 , 【Automatic Indexing@JST】

著者キーワード (7件)： 分類 ,  教育データマイニング ,  特徴選択 ,  知識発見 ,  ランダムフォレスト ,  教師付き学習 ,  サポートベクトルマシン

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 学生 ,  学業成績 ,  予測 ,  機械学習 ,  探索 ,  研究