ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > استخدام تقنيات التنقيب في البي...>الوصف

استخدام تقنيات التنقيب في البيانات الضخمة لاكتشاف الأنماط التعليمية بالمقررات الإلكترونية عبر نظام إدارة التعلم والتنبؤ بالتحصيل الدراسي لطلاب الجامعة

العنوان بلغة أخرى: Using Big Data Mining Techniques to Discover Educational Patterns in Electronic Courses Through the Learning Management System and Predict the Academic Achievement of University Students
المصدر: العلوم التربوية
الناشر: جامعة القاهرة - كلية الدراسات العليا للتربية
المؤلف الرئيسي: محمد، أحمد صادق عبدالمجيد (مؤلف)
مؤلفين آخرين: قحمش، عادل إبراهيم محمد (م. مشارك)
المجلد/العدد: مج31, ع3
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2023
الشهر: يوليو
الصفحات: 441 - 481
ISSN: 1110-7847
رقم MD: 1438800
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EduSearch
مواضيع:
إدارة التعليم | المقررات الإلكترونية | طلبة الجامعات | تقنيات التنقيب
كلمات المؤلف المفتاحية:
التنقيب في البيانات | البيانات الضخمة | الأنماط التعليمية | التنبؤ | الخوارزميات | Data Mining | Big Data | Learning Patterns | Prediction | Algorithms
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

7

حفظ في:
المستخلص: هدف البحث اكتشاف الأنماط التعليمية في المقررات الإلكترونية عبر نظام إدارة التعلم والتنبؤ بالتحصيل الدراسي لدى طلبة الجامعة من خلال تقنيات التنقيب في البيانات الضخمة؛ ولتحقيق هذا الهدف تم اختيار مجموعة من المقررات الإلكترونية التي يتم تقديمها لطلبة جامعة الملك خالد عبر نظام إدارة التعلم (Blackboard). ولمعرفة الأنماط السائدة في المقررات الإلكترونية تم استخدام خوارزمية التجميع K-Means"" لاكتشاف الأنماط، وخوارزميات "Linear Regression, Random Forest, KNN, Tree, SVM" للتنبؤ بالتحصيل الدراسي للطلبة. وقد أشارت النتائج إلى أن خوارزمية التجميع "K-Means" قد جمعت درجات الطلبة في ثلاث طبقات رئيسة: الأعلى في الدرجات الطبقة الأولى والثانية وأقلها الطبقة الثالثة، وبالنسبة للتنبؤ بالتحصيل الدراسي، فقد أشارت النتائج إلى أنه يمكن التنبؤ بالتحصيل الدراسي للطلبة من خلال الأنشطة والاختبارات الفصلية لكل المقررات ما عدا مقرر (۱۱۱ سلم)، فقد أشارت النتائج إلى أنه يمكن التنبؤ بالتحصيل الدراسي للطلبة في هذا المقرر من خلال الاختبارات الفصلية فقط، وأن الأنشطة الفصلية لا تسهم في التنبؤ بأداء الطلبة الأكاديمي. وأن خوارزمية Linear Regression أكثر الخوارزميات إسهاما في التنبؤ بالتحصيل الدراسي للطلبة، وأن خوارزمية SVM أقلها وأنه يوجد ارتباط قوي بين الأنماط التعليمية في المقررات الإلكترونية المصممة على أنظمة إدارة التعلم الإلكتروني (Blackboard) ومستوى تحصيل الطلاب.

The aim of the research is to discover educational patterns in electronic courses through the learning management system and to predict academic achievement among university students through big data mining techniques. To achieve this goal, a group of electronic courses were selected that are offered to King Khalid University students via the learning management system (Blackboard). To identify the prevailing patterns in electronic courses, the “K-Means” clustering algorithm was used to discover patterns, and the “Linear Regression, Random Forest, KNN, Tree, SVM” algorithms were used to predict students’ academic achievement. The results indicated that the “K-Means” clustering algorithm grouped students’ grades into three main classes: the highest grades were the first and second classes and the lowest was the third class. As for predicting academic achievement, the results indicated that it is possible to predict students’ academic achievement through activities and tests. For all courses except the course (111 Ladder), the results indicated that the academic achievement of students in this course can be predicted through semester tests only, and that semester activities do not contribute to predicting students’ academic performance. The Linear Regression algorithm is the most contributing algorithm in predicting students’ academic achievement, while the SVM algorithm is the least, and that there is a strong correlation between educational patterns in electronic courses designed on e-learning management systems (Blackboard) and the level of student achievement.
ISSN: 1110-7847

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.