Predicting students at risk of academic failure using learning analytics in the learning management system

Zangooei, Hamid; Fatemi, Omid

doi:10.30473/idej.2022.63913.1104

- فلوچارت مراحل ورود و ثبت نام در سامانه نشریات علمی وزارت عتف

- راه اندازی سیستم مدیریت نشریات علمی دانشگاه پیام نور

تعداد نشریات	41
تعداد شماره‌ها	1,170
تعداد مقالات	10,084
تعداد مشاهده مقاله	18,905,635
تعداد دریافت فایل اصل مقاله	13,118,491

	Predicting students at risk of academic failure using learning analytics in the learning management system
Quarterly of Iranian Distance Education Journal
مقاله 3، دوره 3، شماره 2، شهریور 2021، صفحه 32-44 اصل مقاله (516.85 K)
نوع مقاله: scientific-research
شناسه دیجیتال (DOI): 10.30473/idej.2022.63913.1104
نویسندگان
Hamid zangooei^* ¹؛ Omid fatemi²
¹M.Sc. Student of Computer Architecture, Faculty of Engineering, Faculty of Electrical and Computer Engineering, University of Tehran, Iran
²Associate Professor, Department of Electrical and Computer Engineering, Campus of Technical Schools (Faculty of Electrical and Computer Engineering, University of Tehran), Tehran, Iran.
چکیده
Online learning platforms have become commonplace in modern society today, but high dropout rates and decrement students’ performance still require more attention in such online learning environments. The purpose of this research is to accelerate the identification of students at risk of academic failure in order to take appropriate corrective action. Therefore, we have proposed model to achieve this goal and ultimately improve the performance of students and faculty. Then, for early prediction of students at risk of academic failure, the short-term memory neural network (LSTM) and the widely used support vector algorithm have been used to analyze students’ time based behaviors using data from the University of Tehran e-learning system. To demonstrate the optimal performance of the predictive algorithm, we compared the LSTM network with the support vector algorithm with different evaluation criteria. The results show that the use of LSTM network for early prediction of students at risk provides higher predictive accuracy compared to the support vector machine algorithm. In this research, our method in predicting students’ performance with LSTM network has achieved 94% accuracy and with support vector machine algorithm has achieved 88% accuracy. In addition, the Area Under the Curve (AUC) was 0.936 and 0.882, respectively, using the LSTM algorithm and the support vector machine. Therefore, according to the obtained results, it can be seen that our proposed algorithm has an important and effective contribution to improving the final performance of teachers and students during the course.
کلیدواژه‌ها
Learning Analytics؛ Long Short Term Memory Network؛ Support Vector Machine؛ Predicting Students at Risk of Academic Failure
عنوان مقاله [English]
پیش بینی دانش آموزان در معرض خطر افت تحصیلی با استفاده از تجزیه و تحلیل یادگیری در سیستم مدیریت یادگیری
نویسندگان [English]
حمید زنگوئی¹؛ سید امید فاطمی²
¹انشجوی کارشناسی ارشد، مهندسی معماری کامپیوتر، پردیس دانشکدگان فنی(دانشکده مهندسی برق و کامپیوتر دانشگاه تهران)، تهران، ایران
²دانشیار گروه مهندسی برق و )،کامپیوتر ، پردیس دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، ایران
چکیده [English]
پلتفرم‌های یادگیری آنلاین امروزه در جامعه مدرن رایج شده‌اند، اما نرخ بالای ترک تحصیل و کاهش عملکرد دانش‌آموزان همچنان نیازمند توجه بیشتری در چنین محیط‌های یادگیری آنلاین است. هدف از این تحقیق تسریع در شناسایی دانش آموزان در معرض خطر افت تحصیلی به منظور انجام اقدامات اصلاحی مناسب می باشد. از این رو مدلی را برای دستیابی به این هدف و در نهایت بهبود عملکرد دانشجویان و اساتید ارائه کرده ایم. سپس برای پیش‌بینی زودهنگام دانش‌آموزان در معرض خطر افت تحصیلی، از شبکه عصبی حافظه کوتاه‌مدت (LSTM) و الگوریتم بردار پشتیبانی پرکاربرد برای تحلیل رفتارهای مبتنی بر زمان دانشجویان با استفاده از داده‌های آموزش الکترونیکی دانشگاه تهران استفاده شده است. سیستم. برای نشان دادن عملکرد بهینه الگوریتم پیش‌بینی، ما شبکه LSTM را با الگوریتم بردار پشتیبان با معیارهای ارزیابی مختلف مقایسه کردیم. نتایج نشان می‌دهد که استفاده از شبکه LSTM برای پیش‌بینی اولیه دانش‌آموزان در معرض خطر، دقت پیش‌بینی بالاتری را در مقایسه با الگوریتم ماشین بردار پشتیبان ارائه می‌کند. در این تحقیق روش ما در پیش‌بینی عملکرد دانش‌آموزان با شبکه LSTM به دقت 94 درصد و با الگوریتم ماشین بردار پشتیبان به دقت 88 درصد دست یافته است. علاوه بر این، مساحت زیر منحنی (AUC) با استفاده از الگوریتم LSTM و ماشین بردار پشتیبان به ترتیب 0.936 و 0.882 بود. بنابراین با توجه به نتایج بدست آمده می توان دریافت که الگوریتم پیشنهادی ما سهم مهم و موثری در بهبود عملکرد نهایی معلمان و دانش آموزان در طول دوره دارد.
کلیدواژه‌ها [English]
تجزیه و تحلیل یادگیری, شبکه حافظه کوتاه مدت بلند مدت, ماشین بردار پشتیبانی, پیش بینی دانش آموزان در معرض خطر شکست تحصیلی

مراجع
References [1] Wasif, Muhammad, et al. (2019). Understanding student learning behavior and predicting their performance. Cognitive Computing in Technology-Enhanced Learning. IGI Global, 1-28. [2] Costa, Evandro B., et al.( 2017). Evaluating the effectiveness of educational data mining techniques for early prediction of students’ academic failure in introductory programming courses. Computers in Human Behavior 73, 247-256. [3] Yi, John C., et al. (2018). Predictive analytics approach to improve and sustain college student’s non-cognitive skills and their educational outcome. Sustainability 10.11, 4012. [4] Wilson, Joshua, et al. (2016). Comparing the accuracy of different scoring methods for identifying sixth graders at risk of failing a state writing assessment. Assessing Writing 27, 11-23. [5] Marbouti, Farshid, Heidi A. Diefes-Dux, and Krishna Madhavan. (2016). Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education 103,1-15. [6] Aljohani, Naif Radi, Ayman Fayoumi, and Saeed-Ul Hassan. (2019). Predicting at-risk students using clickstream data in the virtual learning environment. Sustainability 11.24, 7238. [7] Osmanbegovic, E.; Suljic, M. (2012). Data mining approach for predicting student performance. Econ. Rev. J. Econ. Bus, 10, 3–12. [8] Baradwaj, B.K.; Pal, S. (2012). Mining educational data to analyze students’ performance. arXiv:1201.3417. [9] Kovacic, Z. (2010). Early Prediction of Student Success: Mining Students Enrolment Data. In Proceedings of the Informing Science and Information Technology Education Joint Conference, Cassino, Italy, 19–24 June. [10] Watson, C.; Li, F.W.; Godwin, J.L. (2013). Predicting performance in an introductory programming course by logging and analyzing student programming behavior. In Proceedings of the IEEE 13th International Conference on Advanced Learning Technologies, Beijing, China, 15–18 July; pp. 319–323. 44 Iranian Distance Education Journal, Vol. 3, No. 2, (New Series) Summer-Autumn 2021 [11] D. P. Kingma and J. L. Ba,( 2014). Adam: A Method for Stochastic Optimization. 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., Dec. [12] S. Shankar and T. Purusothaman,( 2009). Utility Sentient Frequent Itemset Mining and Association Rule Mining: A Literature Survey and Comparative Study, Int. J. Soft Comput. Appl., vol. 4, pp. 81–95. [13] “Deep Learning - Ian Goodfellow, Yoshua Bengio, Aaron Courville - Google Books.” [Online]. [14] A. J. Bowers and X. Zhou, ( 2019). Receiver Operating Characteristic (ROC) Area Under the Curve (AUC): A Diagnostic Measure for Evaluating the Accuracy of Predictors of Education Outcomes, https://doi.org/10.1080/10824669.2018.1523734, vol. 24, no. 1, pp. 20–46, Jan.
آمار تعداد مشاهده مقاله: 590 تعداد دریافت فایل اصل مقاله: 612

سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب

پیوندهای مفید

اخبار و اعلانات

آمار

Predicting students at risk of academic failure using learning analytics in the learning management system