Đang chuẩn bị liên kết để tải về tài liệu:
Đề xuất giải pháp sử dụng lưới thích nghi để nâng cao độ chính xác trong bài toán phân nhóm sinh viên
Đang chuẩn bị nút TẢI XUỐNG, xin hãy chờ
Tải xuống
Trong bài báo này chúng tôi đề xuất một giải pháp sử dụng lưới thích nghi trong bài toán phân nhóm sinh viên theo kết quả học tập dựa trên tập cơ sở dữ liệu điểm học tập của sinh viên. Độ chính xác phân nhóm của giải pháp đề xuất được so sánh với các thuật toán khác. Quá trình thực nghiệm được tiến hành trên tập dữ liệu điểm sinh viên Khoa Công nghệ Thông tin, Học viện Kỹ thuật quân sự. Mời các bạn tham khảo! | Đề xuất giải pháp sử dụng lưới thích nghi để nâng cao độ chính xác trong bài toán phân nhóm sinh viên Nghiên cứu khoa học công nghệ ĐỀ XUẤT GIẢI PHÁP SỬ DỤNG LƯỚI THÍCH NGHI ĐỂ NÂNG CAO ĐỘ CHÍNH XÁC TRONG BÀI TOÁN PHÂN NHÓM SINH VIÊN Phạm Thị Bích Vân*, Đỗ Thị Mai Hường Tóm tắt: Trong những năm gần đây khai phá dữ liệu giáo dục trở thành hướng phát triển mới thu hút được đông đảo sự quan tâm của các nhà khoa học trên thế giới. Mục đích của khai phá dữ liệu giáo dục là nhằm trích rút các tri thức từ tập dữ liệu giáo dục, các tri thức này có thể giúp ích để nâng cao chất lượng giáo dục đào tạo. Trong bài báo này chúng tôi đề xuất một giải pháp sử dụng lưới thích nghi trong bài toán phân nhóm sinh viên theo kết quả học tập dựa trên tập cơ sở dữ liệu điểm học tập của sinh viên. Độ chính xác phân nhóm của giải pháp đề xuất được so sánh với các thuật toán khác. Quá trình thực nghiệm được tiến hành trên tập dữ liệu điểm sinh viên Khoa Công nghệ Thông tin, Học viện Kỹ thuật quân sự. Từ khóa: Dự báo, Khai phá dữ liệu giáo dục, Phân nhóm, Lưới thích nghi. 1. MỞ ĐẦU Khai phá dữ liệu giáo dục là một hướng mới của khai phá dữ liệu. Các phương pháp khai phá dữ liệu giáo dục đã và đang được áp dụng trong các nghiên cứu trên thế giới như luật kết hợp, phân lớp, phân nhóm, mạng nơron, thuật toán gen Các ứng dụng chủ yếu tập trung vào dự báo điểm thi, dự báo khả năng thành công của sinh viên trong những năm học đầu, phân nhóm sinh viên, gợi ý khóa học phù hợp với sinh viên. Cụ thể như: Al- Radaideh và cộng sự [1] áp dụng các mô hình phân lớp như cây quyết định, ID3, C4.5 và Bayes để dự báo điểm thi kết thúc học phần C++ của sinh viên đại học Yarmouk, Jordan. Ayesha, Mustafa, Sattar và Khan [2] miêu tả việc dùng thuật toán phân nhóm K-means để dự báo các hành vi học tập của sinh viên. Romeo và cộng sự [3] thực hiện sánh về độ chính xác phân nhóm giữa các kỹ thuật và phương pháp khai phá dữ liệu khác nhau trên tập dữ liệu lấy từ hệ