کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4937131 | 1434619 | 2017 | 11 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Improving the expressiveness of black-box models for predicting student performance
ترجمه فارسی عنوان
بهبود اشکال مدل های جعبه سیاه برای پیش بینی عملکرد دانش آموزان
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
مدل جعبه سیاه، پیش بینی، عملکرد دانشجویی، نمایش گرافیکی،
ترجمه چکیده
سیستم پیش بینی اولیه عملکرد دانش آموزان می تواند برای هدایت دانش آموزان بسیار مفید باشد. برای مدل پیشبینی که واقعا به عنوان کمک موثر برای یادگیری مفید است، باید ابزاری برای تفسیر پیشرفت مناسب، شناسایی روند و الگوهای رفتاری و شناسایی علل مشکلات یادگیری ارائه دهد. تکنیک های سفید جعبه و سیاه جعبه در ادبیات برای معرفی مدل های پیش بینی شده شرح داده شده است. تکنیک های سفید جعبه نیاز به مدل های پیشین برای کشف دارند، که آنها را آسان می کند برای تفسیر اما دشوار به منظور به طور کلی و قادر به تشخیص روابط غیر منتظره بین داده ها. تکنیک های جعبه جعبه ساده تر هستند که بتوانند روابط نامشخص را کشف کنند، اما برای اغلب معلمان، آنها مرموز و دشوار است. در این مقاله یک تکنیک سیاه جعبه پیشنهاد شده است تا از قدرت و تنوع این روش ها استفاده کند، در حالیکه تصمیماتی در مورد داده های ورودی و طراحی طبقه بندی فراهم می کند که مجموعه داده های خروجی غنی را ارائه می دهند. همچنین مجموعه ای از ابزارهای گرافیکی برای بهره برداری از اطلاعات خروجی و ارائه یک راهنمای معنی داری برای معلمان و دانش آموزان ارائه شده است. از تجربه ما، مجموعه ای از نکات در مورد چگونگی طراحی یک سیستم پیش بینی و نمایش اطلاعات خروجی نیز ارائه شده است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
Early prediction systems of student performance can be very useful to guide student learning. For a prediction model to be really useful as an effective aid for learning, it must provide tools to adequately interpret progress, to detect trends and behaviour patterns and to identify the causes of learning problems. White-box and black-box techniques have been described in literature to implement prediction models. White-box techniques require a priori models to explore, which make them easy to interpret but difficult to be generalized and unable to detect unexpected relationships between data. Black-box techniques are easier to generalize and suitable to discover unsuspected relationships but they are cryptic and difficult to be interpreted for most teachers. In this paper a black-box technique is proposed to take advantage of the power and versatility of these methods, while making some decisions about the input data and design of the classifier that provide a rich output data set. A set of graphical tools is also proposed to exploit the output information and provide a meaningful guide to teachers and students. From our experience, a set of tips about how to design a prediction system and the representation of the output information is also provided.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers in Human Behavior - Volume 72, July 2017, Pages 621-631
Journal: Computers in Human Behavior - Volume 72, July 2017, Pages 621-631
نویسندگان
Carlos J. Villagrá-Arnedo, Francisco J. Gallego-Durán, Faraón Llorens-Largo, Patricia Compañ-Rosique, Rosana Satorre-Cuerda, Rafael Molina-Carmona,