hrvatski

Neuronske mreže i stabla odlučivanja za predviđanje uspješnosti studiranja

Rad se bavi kreiranjem modela za predviđanje uspješnosti studenata s pomoću neuronskih mreža i klasifikacijskih stabala odlučivanja, te analizom čimbenika koji utječu na uspješnost studenata. Kreiran je model koji na temelju demografskih podataka o studentima, te podacima o njihovom ponašanju i stavovima prema učenju nastoji klasificirati studenta u jednu od dviju kategorija uspješnosti. Uspješnost je mjerena prosjekom ocjena na studiju. Trenirano je i testirano više različitih arhitektura neuronskih mreža, čiji je najbolji model dobiven s pomoću višeslojne perceptron mreže. Stabla odlučivanja dala su znatno veću točnost klasifikacije od neuronskih mreža, te ih se predlaže koristiti kao točniju metodu na promatranom skupu podataka. Analiza osjetljivosti izlaznih varijabli na ulazne provedena kod neuronskih mreža upućuje da su kolokviranje, prisustvo na vježbama, važnost ocjene za studenta, te stipendije među najznačajnijim čimbenicima uspješnosti studenta. Stabla odlučivanja izlučila su vrijeme provedeno u učenju, prisustvo na vježbama, te vrstu materijala iz kojih se uči kao najznačajnije varijable. U budućim istraživanjima, uz proširenje broja ulaznih varijabli i povećanje uzorka, te proširenje metodologije drugih tehnikama umjetne inteligencije i statističkim metodama, moguće bi bilo kreirati uspješniji model koji bi bio osnova za izgradnju sustava za potporu odlučivanju u visokom obrazovanju.

analiza osjetljivosti; neuronske mreže; stabla odlučivanja; višeslojni perceptron; uspješnost studiranja

nije evidentirano

engleski

Neural Networks and Decision Trees for Prediction of Efficiency in Studies

Rad se bavi kreiranjem modela za predviđanje uspješnosti studenata s pomoću neuronskih mreža i klasifikacijskih stabala odlučivanja, te analizom čimbenika koji utječu na uspješnost studenata. Kreiran je model koji na temelju demografskih podataka o studentima, te podacima o njihovom ponašanju i stavovima prema učenju nastoji klasificirati studenta u jednu od dviju kategorija uspješnosti. Uspješnost je mjerena prosjekom ocjena na studiju. Trenirano je i testirano više različitih arhitektura neuronskih mreža, čiji je najbolji model dobiven s pomoću višeslojne perceptron mreže. Stabla odlučivanja dala su znatno veću točnost klasifikacije od neuronskih mreža, te ih se predlaže koristiti kao točniju metodu na promatranom skupu podataka. Analiza osjetljivosti izlaznih varijabli na ulazne provedena kod neuronskih mreža upućuje da su kolokviranje, prisustvo na vježbama, važnost ocjene za studenta, te stipendije među najznačajnijim čimbenicima uspješnosti studenta. Stabla odlučivanja izlučila su vrijeme provedeno u učenju, prisustvo na vježbama, te vrstu materijala iz kojih se uči kao najznačajnije varijable. U budućim istraživanjima, uz proširenje broja ulaznih varijabli i povećanje uzorka, te proširenje metodologije drugih tehnikama umjetne inteligencije i statističkim metodama, moguće bi bilo kreirati uspješniji model koji bi bio osnova za izgradnju sustava za potporu odlučivanju u visokom obrazovanju.

Sensitivity analysis; neural networks; decision trees; multilayer perceptron; efficiency in studies

nije evidentirano