Modelling and predicting student flexibility in online learning using artificial intelligence approaches
Notice bibliographique
Résumé
With flexible learning, students are actively engaged in their own education and are held to high standards of performance. Online academic courses make it easier for students to receive personalized education because they provide students with more flexibility to concentrate on what is most important to them and give them greater control over their own education. This study’s objective was to investigate whether there is a correlation between how well students succeed in online classes and the extent to which they make use of the schedule and the geographical and resource flexibility offered by such programmes. This article uses a developing approach for predicting and classifying the flexibility in online learning of students who are at risk of failing due to academic and demographic variables. The K-nearest neighbours (KNN) method, the random forest (RF) method, and the logistic regression method were used to categorise the students participating in flexible online learning. The information for the dataset came from Kaggle, and it was gathered for use in testing machine learning. The dataset had a total of 1,875 instances representing 11 different features. Also, accuracy, precision, sensitivity and f-score metrics were applied to evaluate the system. The results show that the RF algorithm has a high accuracy percentage of 85%. The empirical findings demonstrate that students formed distinct patterns of learning time, location and access to knowledge. This suggests that flexibility was used to a significant degree. Patterns in learning time and the availability of learning materials were shown to have a substantial relationship with the accomplishments of the students. Understanding flexibility use habits may help adapt lessons and boost collaboration among similar students.
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 | 0,002 | 0,006 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».