ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Prediction of Student’s Perfor...>مارك

Prediction of Student’s Performance Using Five Classifiers

المصدر: مجلة القلزم للدراسات التربوية والنفسية واللغوية
الناشر: مركز بحوث ودراسات دول حوض البحر الأحمر وجامعة بخت الرضا
المؤلف الرئيسي: Haj Hamad, Yasir Mohammed (Author)
المجلد/العدد: ع6
محكمة: نعم
الدولة: السودان
التاريخ الميلادي: 2022
التاريخ الهجري: 1443
الشهر: يناير
الصفحات: 219 - 244
ISSN: 1858-9995
رقم MD: 1195628
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EduSearch, AraBase
مواضيع:
الأداء الأكاديمي | المعدل التراكمي | الخوارزميات | تحليل البيانات
كلمات المؤلف المفتاحية:
Education | Classification | Prediction | Random Forest | Educational Data Mining | Prediction | Classification Algorithms
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

30

حفظ في:
LEADER 03942nam a22002297a 4500
001 1941588
041 |a eng 
044 |b السودان 
100 |9 639946  |a Haj Hamad, Yasir Mohammed  |e Author 
245 |a Prediction of Student’s Performance Using Five Classifiers 
260 |b مركز بحوث ودراسات دول حوض البحر الأحمر وجامعة بخت الرضا  |c 2022  |g يناير  |m 1443 
300 |a 219 - 244 
336 |a بحوث ومقالات  |b Article 
520 |a أصبح التنبؤ بأداء الطلاب شائعا في التنقيب عن البيانات التعليمية يتم استخدامه لتحسين أداء الطلاب وكذلك تحسين جودة المؤسسة في هذه الورقة يتم عمل تحليل للتنبؤ بتقديرات الطلاب في السنة النهائية بناء على المعدل التراكمي للطلاب للسنوات الأولى من الدراسة. تم اخذ البيانات من كلية الهندسة لعدد 1841 طالب مع أربعة خصائص، تم استخدام خمسة خوارزميات (Naïve Bayes, Random Forest, SVM, J48, logistic regression) لتحليل البيانات باستخدام برنامج ويكا. أظهره النتائج أن خوارزمية logistic regression أحسن أداء من باقي الخوارزميات التي قد حققت دقة أداء عالي (logistic regression90%, SVM89%, Naïve Bayes88.1,%, J4887.2%, Random Forest86.9%) هذا يجعل من عملية التنقيب في البيانات فرصة لتحديد الطلاب الذين يتخرجون بنتائج سيئة أو لا يتخرجون على الإطلاق بحيث يمكن التدخل المبكر. يمكن مستقبلا الاستفادة من هذا التحليل باستخدام بيانات بأحجام مختلفة وجامعات مختلفة وتطبيق تقنيات المعالجة المسبقة ومقارنته مع تقنيات لتنقيب البيانات مختلفة.  |b Student performance prediction has become very popular in Educational Data Mining. It is used to improve the performance of students and also improves the quality of the institution In this paper predictive analysis was carried out to determine the class of grades of students in their final year using their GPA for the first three years of study. The data set of students has been taken from the Faculty of Engineering with 1841 instanceand 4 attributes. Prediction of Student’s Performance Using five Classifiers Five data mining algorithms (Naïve Bayes, Random Forest, SVM, J48, logistic regression) were considered, by using WEKA tools the results show that logistic regression has the best performance to other classifiers, the accuracy was achieved by Five algorithms (logistic regression90%, SVM89%, Naïve Bayes88.1%, J4887.2%, Random Forest86.9%) this. data mining creates an opportunity for identifying students that may graduate with poor results or may not graduate at all, so that early intervention may be deployed. For future work, this analysis can be further taken forward by using data sets from different size and universities and applying data pre-processing techniques and will be compared and analyzed with other data mining techniques. 
653 |a الأداء الأكاديمي  |a المعدل التراكمي  |a الخوارزميات  |a تحليل البيانات 
692 |b Education  |b Classification  |b Prediction  |b Random Forest  |b Educational Data Mining  |b Prediction  |b Classification Algorithms 
773 |4 اللغة واللغويات  |6 Language & Linguistics  |c 010  |e Alqulzum Journal for educational linguistic and psychological studies  |l 006  |m ع6  |o 2215  |s مجلة القلزم للدراسات التربوية والنفسية واللغوية  |v 000  |x 1858-9995 
856 |u 2215-000-006-010.pdf 
930 |d y  |p y  |q n 
995 |a EduSearch 
995 |a AraBase 
999 |c 1195628  |d 1195628 

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.