ПОСТРОЕНИЕ НЕЧЕТКОЙ МОДЕЛИ ДЛЯ ОЦЕНКИ УСПЕВАЕМОСТИ ОБУЧАЮЩИХСЯ
DOI:
https://doi.org/10.52167/1609-1817-2025-136-1-327-335Ключевые слова:
успеваемость, студент, нечеткий подход, алгоритм Мамдани, информационные технологииАннотация
Для успеха учебного процесса очень важна оценка успеваемости студентов, которая не только формирует их мотивацию к обучению, но и служит ключевым показателем для преподавателей при оценке усвоения материала. В традиционных классификациях учащиеся жестко распределяются на отдельные группы успеваемости (отлично, хорошо, удовлетворительно, неудовлетворительно). Использование метода нечеткого подхода предполагает, что учащиеся могут принадлежать к разным категориям успеваемости в разной степени, что позволяет реалистично продемонстрировать различные способности учащихся. В данной работе предлагается метод оценки успеваемости с использованием нечеткой логики. Для этого были разработаны нечеткие правила и метод вывода с использованием алгоритма Мамдани. Проведено сравнение полученных результатов с традиционной формой оценки с использованием фактических данных успеваемости студентов, обучающихся по направлению «Информационные технологии».
Библиографические ссылки
[1] Помян С. В., Белоконь О. С. Прогноз результатов успеваемости студентов вуза на основе Марковских процессов//Вестник ВятГУ. 2020. №4. URL: https://cyberleninka.ru/article/n/prognoz-rezultatov-uspevaemosti-studentov-vuza-na-osnove-markovskih-protsessov.
[2] С.В. Русаков, О.Л. Русакова, К.А. Посохина. Нейросетевая модель прогнозирования группы риска по успеваемости студентов первого курса/ ИТ-образование: методология, методическое обеспечение. Вып. 14, № 4. 2018. С. 815-822. DOI: 10.25559/SITITO.14.201804.815-822
[3] Predicting Student Success in College Algebra Classes Using Machine Learning. ASEE Annual Conference and Exposition, Conference Proceedings25 June 2023 2023 ASEE Annual Conference and Exposition - The Harbor of Engineering: Education for 130 Years, June 2023.
[4] Shetu, S.F., Saifuzzaman, M., Moon, N.N., Sultana, S., Yousuf, R. Student’s Performance Prediction Using Data Mining Technique Depending on Overall Academic Status and Environmental Attributes. In: Gupta, D., Khanna, A., Bhattacharyya, S., Hassanien, A.E., Anand, S., Jaiswal, A. (eds) International Conference on Innovative Computing and Communications. Advances in Intelligent Systems and Computing, vol 1166. 2021. Springer, Singapore. https://doi.org/10.1007/978-981-15-5148-2_66
[5] Snehal Rathi, Kamal Kant Hiran, Sachin Sakhare. Affective state prediction of E-learner using SS-ROA based deep LSTM. Array, Vol. 19. 2023. 100315, ISSN 2590-0056, https://doi.org/10.1016/j.array.2023.100315 .
[6] Smith, J., & Jones, A. (2019). "Enhancing Student Learning through Fuzzy Logic." Journal of Education Research, 45(2), 210-225.
[7] Brown, K., & Davis, C. (2020). "Implementing Fuzzy Logic in Educational Assessment: A Practical Guide." Educational Technology Journal, 33(4), 567-580.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Гульдана Ахмеди, Шолпан Байматаева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
