Using Machine Learning Algorithms to Predict People’s Intention to Use Mobile Learning Platforms During the COVID-19 Pandemic: Machine Learning Approach
Notice bibliographique
Résumé
BACKGROUND: Mobile learning has become an essential instruction platform in many schools, colleges, universities, and various other educational institutions across the globe, as a result of the COVID-19 pandemic crisis. The resulting severe, pandemic-related circumstances have disrupted physical and face-to-face contact teaching practices, thereby requiring many students to actively use mobile technologies for learning. Mobile learning technologies offer viable web-based teaching and learning platforms that are accessible to teachers and learners worldwide. OBJECTIVE: This study investigated the use of mobile learning platforms for instruction purposes in United Arab Emirates higher education institutions. METHODS: An extended technology acceptance model and theory of planned behavior model were proposed to analyze university students' adoption of mobile learning platforms for accessing course materials, searching the web for information related to their disciplines, sharing knowledge, and submitting assignments during the COVID-19 pandemic. We collected a total of 1880 questionnaires from different universities in the United Arab Emirates. Partial least squares-structural equation modeling and machine learning algorithms were used to assess the research model, which was based on the data gathered from a student survey. RESULTS: Based on our results, each hypothesized relationship within the research model was supported by our data analysis results. It should also be noted that the J48 classifier (89.37% accuracy) typically performed better than the other classifiers when it came to the prediction of the dependent variable. CONCLUSIONS: Our study revealed that teaching and learning could considerably benefit from adopting remote learning systems as educational tools during the COVID-19 pandemic. However, the value of such systems could be lessened because of the emotions that students experience, including a fear of poor grades, stress resulting from family circumstances, and sadness resulting from a loss of friends. Accordingly, these issues can only be resolved by evaluating the emotions of students during the pandemic.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».