Un algorithme qui prédit les performances académiques des étudiants à distance

Une équipe de l’Université de Cordoue a conçu un modèle qui prédit les performances des étudiants en éducation en ligne, en les divisant en quatre catégories et en aidant les professeurs à fournir une aide plus personnalisée à chaque étudiant, adaptée à sa state of affairs.

L’enseignement à distance a démocratisé l’accès au savoir, surmontant les problèmes de temps et d’espace. L. a. flexibilité et l’accessibilité de ce sort de système ont augmenté le nombre de personnes apprenant by way of des plateformes électroniques. Cependant, en raison du grand nombre d’étudiants et du manque d’interplay étroite que permettent les salles de classe, les professeurs sont confrontés à un problème majeur : l. a. difficulté de suivre et d’adapter l’apprentissage à leurs étudiants.

Les outils basés sur l’IA peuvent aider les professeurs à prédire les performances de leurs étudiants afin qu’ils puissent adapter leurs stratégies d’enseignement à différentes scenarios d’enseignement.

Pour faciliter cette adaptation et améliorer l’éducation en ligne, une équipe de l’Université de Cordoue, composée des chercheurs Juan Carlos Gámez, Aurora Esteban, Francisco Javier Rodríguez et Amelia Zafra, a développé un algorithme qui prédit les performances des étudiants, avec quatre classifications différentes.

Par rapport aux modèles précédents, qui prédisaient cette efficiency uniquement en termes de « réussite ou échec » ou « abandon ou poursuite » dans le cours, cet algorithme, basé sur l. a. classification ordinale et l. a. logique floue, permet de prédire l. a. efficiency des étudiants tout en gardant une cohérence. », a expliqué Amelia Zafra, chercheuse au Département d’éducation, d’informatique et d’analyse numérique de l’Université de Californie, Family members ordinales entre catégories : abandon, échec, réussite et excellence.

De cette façon, l’algorithme FlexNSLVord réalise de meilleures prédictions, mais permet également aux professeurs de mieux adapter leurs stratégies en fonction du classement de leurs étudiants.

Les deux avantages offerts par ce développement sont l’utilisation d’une classification ordinale avec une matrice de coûts qui permet de modéliser le poids des catégories ordinales dans l’apprentissage et de rendre plus spécifique cette classification.

L. a. logique floue adaptative « vous permet une certaine flexibilité automobile, par rapport à l. a. logique usual, qui fonctionne avec des valeurs spécifiques, l. a. logique floue fonctionne avec un ensemble d’entre elles et s’adapte automatiquement au problème en utilisant l. a. logique l. a. plus proche de ce que nous faisons dans notre vie quotidienne. »

Le modèle est alimenté par les données générées par le système d’enseignement en ligne. Les caractéristiques qu’il prend en compte pour prédire les performances sont, par exemple, l. a. réalisation de tâches et de questionnaires spécifiques, les notes des étudiants et leurs clics sur les différentes ressources disponibles sur l. a. plateforme.

Pour les chercheurs, « l’interprétabilité » est également essentielle ; C’est-à-dire l. a. possibilité de comprendre les résultats qu’elle produit. Après avoir suivi le comportement des étudiants, le modèle classe, mais il se rend également compréhensible, automobile “par rapport aux algorithmes de boîte noire, qui vous disent si un élève va réussir ou abandonner, mais pas remark ni pourquoi”, a expliqué Dhafra : le nouvel outil “fournit une série de rubriques pour chaque catégorie décrivant les ressources et les activités les plus pertinentes à réaliser par l’étudiant.

Ainsi, l’algorithme peut aider les enseignants à identifier les élèves et à utiliser des renforcements ou des stratégies qui « par exemple, sauvent les élèves en difficulté ».

En fait, l’algorithme permet aux professeurs de déterminer quels sorts de caractéristiques sont evaluations et lesquels ne le sont pas, en termes de mesure des performances. “Il y avait peut-être une tâche que le professeur pensait importante à cet effet, mais elle s’est avérée ne pas être cruciale pour l. a. réussite ou l’échec de l’étudiant”, ajoute Francisco Javier Rodriguez, également chercheur au Département de Génie électronique et informatique à l’Université de l. a. Colombie-Britannique. .

L’algorithme a été testé à l’aide d’un très massive ensemble de données d’apprentissage public de l’université ouverte (OULAD) disponibles gratuitement auprès d’un massive échantillon d’étudiants et de cours. À l’avenir, cet algorithme pourrait être inclus sous forme d’software sur les plateformes d’éducation en ligne (telles que Moodle) et pourrait fournir automatiquement aux enseignants des commentaires sur les performances de leurs élèves.

L’ouvrage est publié dans l. a. revue Intelligence appliquée.