Comparison and Analysis of Multiple Machine Learning Algorithms for Predicting Student Adaptation Levels in Online Education
Notice bibliographique
Résumé
With the rapid development and popularization of Internet technology, online education has become a new way of education. Compared with traditional classroom teaching, online education has a more flexible learning mode, a more convenient learning environment and a wider range of learning resources. However, at the same time, online education also faces some challenges, one of the most important challenges is the adaptability of students to online education. In this paper, we use machine learning techniques to predict students' adaptability in online classrooms. After using logistic regression model, k-neighborhood algorithm model, random forest model, XGBoost model and Cat Boost model to make predictions, it is found that random forest model is the best in predicting students' adaptability to online classroom, with a prediction accuracy of 89.6%. The XGBoost model and CatBoost model were also better in prediction, with prediction accuracies of 89.1% and 88.6%, respectively. In contrast, the logistic regression and KNN models have poorer prediction accuracy with 68.8% and 77.1%, respectively. The research in this article has important implications for the online education industry. By using machine learning techniques to predict students' adaptability in an online classroom, it can help educational institutions better understand students' learning and improve teaching effectiveness. Meanwhile, for students, knowing their adaptive ability in online classroom also helps them to better plan their study programs and improve their learning efficiency. This study uses machine learning techniques to predict students' adaptive ability in online classrooms, and the results show that the random forest model performs the best in terms of predictive effectiveness. This study provides a useful reference for the online education industry and also provides some ideas for future research.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».