ПРИМЕНЕНИЕ АНСАМБЛЕВЫХ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ОБРАЗОВАТЕЛЬНЫХ ДАННЫХ В УСЛОВИЯХ ПАНДЕМИИ COVID-19
DOI:
https://doi.org/10.52167/1609-1817-2024-135-6-192-202Ключевые слова:
ансамблевые методы, машинное обучение, образовательные данные, дистанционное обучение, COVID-19, KNN, Random Forest, XGBoost, прогнозирование учебной активности, анализ данныхАннотация
Статья описывает влияние пандемии COVID-19 на различные сферы жизни, включая образование, где произошел значительный сдвиг к дистанционному обучению. Автор рассматривает роль больших данных и искусственного интеллекта в улучшении образовательных процессов, особенно в условиях глобальных кризисов.
Исследование посвящено применению ансамблевых моделей машинного обучения для анализа образовательных данных, собранных во время дистанционного обучения в период пандемии COVID-19. Рассматриваются методы KNN, Random Forest и XGBoost, которые были объединены в ансамблевую модель для улучшения точности предсказаний изменений активности учащихся. Результаты показали положительную динамику учебной активности школьников в условиях дистанционного обучения, с точностью модели до 87%. Образцы данных были получены в ходе онлайн-опроса 35950 учащихся средних школ Казахстана, включая городские и сельские школы. Модель также позволила выявить причины повышения активности учащихся.
Библиографические ссылки
[1] Гуляев В. Г., Рассохина Т. В. Устойчивое развитие туризма в условиях кризиса, вызванного пандемией COVID-19//Вестник РМАТ. – 2020. – №. 4. – С. 121-127.
[2] Самылкина Н. Н., Салахова А. А. Обучение основам искусственного интеллекта и анализа данных в курсе информатики на уровне среднего общего образования. – 2022.
[3] Li J., Jiang Y. The research trend of big data in education and the impact of teacher psychology on educational development during COVID-19: a systematic review and future perspective//Frontiers in Psychology. – 2021. – Т. 12. – С. 753388.
[4] Alsunaidi S. J. et al. Applications of big data analytics to control COVID-19 pandemic//Sensors. – 2021. – Т. 21. – №. 7. – С. 2282.
[5] Pang B. et al. Opinion mining and sentiment analysis //Foundations and Trends® in information retrieval. – 2008. – Т. 2. – №. 1–2. – С. 1-135.
[6] Socher R. et al. Recursive deep models for semantic compositionality over a sentiment treebank//Proceedings of the 2013 conference on empirical methods in natural language processing. – 2013. – С. 1631-1642.
[7] Everitt B., Hothorn T. An introduction to applied multivariate analysis with R. – Springer Science & Business Media, 2011.
[8] Lutfiani N., Meria L. Utilization of big data in educational technology research //International Transactions on Education Technology. – 2022. – Т. 1. – №. 1. – С. 73-83.
[9] Mukasheva M. et al. The Behaviour of the Ensemble Learning Model in Analysing Educational Data on COVID-19 //International Journal of Information and Education Technology. – 2023. – Т. 13. – №. 12.
[10] Шитиков В. К., Мастицкий С. Э. Классификация, регрессия и другие алгоритмы Data Mining с использованием R//Режим доступа: http://www. ievbras. ru/ecostat/Kiril/R/DM/DM_R. pdf (дата обращения: 14.02. 19). – 2017.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Улжан Махажанова, Айнур Мухиядин, Aigulim Баегизова, Жанагул Доумчариева, Аягоз Муханова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
