“`html
Прогнозирование риска студентов университета с использованием алгоритма машинного обучения
Университетское образование играет критическую роль в общественном прогрессе, поэтому важно, чтобы студенты успешно завершали свои курсы и заканчивали учебу вовремя. Многие студенты сталкиваются с учебными трудностями, которые приводят к неудачам в учебе, депрессии или отчислению, что увеличивает нагрузку на преподавателей и финансовые затраты учебных заведений. Исследование представляет RTV-SVM, разработанный для прогнозирования риска идентификации студентов, снижая вычислительные затраты. RTV-SVM уменьшает избыточные векторы обучения, уменьшая время обучения без ущерба точности опорных векторов. Исследование с участием 32 593 студентов показало, что RTV-SVM сократил векторы обучения на 59,7%, сохраняя точность классификации. Модель достигла точности 92,2-93,8% в идентификации студентов, находящихся в риске, и 91,3-93,5% для маргинальных студентов.
Применение методов машинного обучения для прогнозирования риска студентов
RTV-SVM использует техники метода опорных векторов (SVM), обычно применяемые в областях, таких как обработка изображений, биоинформатика и управление энергией, для улучшения прогнозирования в образовательном секторе. Традиционные модели SVM часто сталкиваются с большими наборами данных, поэтому данная статья фокусируется на повышении эффективности при сохранении точности. RTV-SVM решает вычислительные проблемы и улучшает процесс прогнозирования путем уменьшения количества векторов обучения, используемых в SVM, без влияния на опорные векторы. Этот метод предлагает многообещающее решение для помощи университетам в раннем выявлении студентов, находящихся в риске, что помогает предотвратить учебные неудачи и связанные с ними социальные и экономические последствия.
Методология RTV-SVM для оптимизированной классификации методом SVM
Методология RTV-SVM состоит из четырех этапов: определение входных данных, устранение уровня 1 с использованием многомерного нормального распределения, устранение уровня 2 через преобразование векторов и построение классификатора SVM с использованием SMO. Процесс начинается с определения входных векторов обучения и устранения избыточных векторов на основе их вероятностного распределения. Уровень 2 дополнительно уменьшает векторы путем их проекции на центры классов. Оставшиеся векторы используются для построения классификатора SVM через SMO, оптимизируя границу принятия решений. Этот подход направлен на улучшение эффективности классификации путем минимизации количества векторов обучения при сохранении точности.
Прогнозирование риска студентов университета с использованием RTV-SVM
Методология RTV-SVM была применена к набору данных Open University Learning Analytics (OULA) для прогнозирования риска студентов. Исследование оценивало четыре сценария: без уменьшения, устранение уровня 1, устранение уровня 2 и комбинированное уменьшение. Классификатор был оценен с использованием метрик, таких как уменьшение векторов обучения, время обучения и тестирования, чувствительность, специфичность и общая точность. Результаты показали, что устранение уровня 1 и уровня 2 значительно сократило векторы обучения без ущерба точности. В многоклассовой классификации (Сдано, Маргинально, Не сдано) RTV-SVM поддерживал хорошую производительность, с точностью более 91% во всех сценариях.
Сравнение производительности между RTV-SVM и связанными методами
Модель RTV-SVM продемонстрировала превосходную производительность в прогнозировании риска студентов, особенно тех, кто склонен к неудачам. Она достигла более высокой точности, чем другие методы, с преимуществом в идентификации студентов, которые могут достичь маргинальных результатов. Эта способность обнаруживать маргинальных студентов значительна, поскольку они более подвержены неудачам. Кроме того, модель RTV-SVM может превзойти модели, разработанные для более сложных прогнозов, таких как отчисление студентов или задержки в выпуске. Ее точность и эффективность делают ее мощным инструментом для прогнозирования результатов студентов.
Источник изображения: ссылка на источник изображения
Проверьте отчет. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Twitter и присоединиться к нашему каналу в Telegram и группе в LinkedIn. Если вам нравится наша работа, вам понравится наша рассылка.
Не забудьте присоединиться к нашему сообществу более чем 50 тыс. участников в ML SubReddit.
БЕСПЛАТНЫЙ ВЕБИНАР ПО ИСКУССТВЕННОМУ ИНТЕЛЛЕКТУ: “SAM 2 для видео: как настроить на ваши данные” (Ср, 25 сентября, 4:00 – 4:45 EST)
Применение искусственного интеллекта для вашего бизнеса
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте Efficient Prediction of At-Risk University Students Using Reduced Training Vector-Based SVM (RTV-SVM).
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале t.me/itinainews или в Twitter @itinairu45358.
Попробуйте AI Sales Bot https://itinai.ru/aisales. Этот AI ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru. Будущее уже здесь!
“`
