AI система предсказва риска от отпадане на онлайн студенти
Алгоритмите взимат поради до 120 променливи при основаване на профил за всеки студент, по-голямата интензивност през нощта се свързва с по-нисък риск
При отдалеченото образование казусът с отпадането е обичайно по-голям, само че и количеството евентуално потребна информация също е по-голямо (източник: CCO Public Domain)
Студентите могат елементарно да се запишат за онлайн академични курсове, само че да ги завършат е доста по-трудно. Степента на отпадане при онлайн курсове може да доближи 80%. Изследователите се пробват да трансформират това посредством създаване на системи за ранно предизвестие, които подсказват кои учащи е по-вероятно да отпаднат. След това админите могат да употребяват прогнозите, с цел да извърнат внимание на по-рисковите студенти и да положат старания за задържането на тези младежи.
Най-мащабната система за такова ранно предизвестие е създадена в Испания – тя се базира на данните на над 11 000 студенти, записани в онлайн стратегии в Мадридския отворен университет (UDIMA) в продължение на пет години. Системата е наречена SPA (съкращение от испански, което значи система за попречване на отпадането). Тя употребява машинно самообразование за генериране на самостоятелни прогнози за нови и за непрекъснати студенти, написа IEEE Transactions on Learning Technologies в публикация, оповестена на 16 април.
Амбициозен академични план
Хуан Алколеа, шеф по анализите в компанията Dimetrical, видял забавна опция в съществуването на подобен огромен набор от данни и се опитал да си партнира с откриватели в онлайн университета, както и с тези в Universidad Autónoma de Madrid, с цел да създаде SPA благодарение на техники за машинно самообразование.
„ Отпадането постоянно е било основен проблем в институциите за висше обучение. Беше ясно, че това е проблем, който може да се възползва от новите техники ”, споделя Алколеа. „ Особено при отдалеченото образование, където казусът с отпадането е обичайно по-голям – само че и количеството евентуално потребна информация, която е разполагаем [също е по-голяма] ”.
SPA включва освен персонални данни (например възраст или пол), стопански данни (например тип заплащане на такса), административни данни, университетски оценки и информация за ранно/късно записване. От решаващо значение е и фактът, че са включени и поведенчески данни от системата за онлайн образование на университета. Това обгръща данни, които касят времето от деня и продължителността на активността на студента, да вземем за пример.
SPA може да вземе поради до 120 променливи при основаването на профил за всеки студент. След това се генерира общ % на възможност от отпадане (например, студент А има 60% риск да отпадне).
За новите студенти има по-малко данни. Това дефинира и обстоятелството, че при тях системата е по-малко точна. Но защото логаритмите за машинно самообразование регистрират спомагателни променливи за студентите, които учат повече години, въпреки всичко се появяват забавни модели.
Алгоритми улавят трендовете
Компютърните логаритми забелязали забавни трендове. Например, възрастта е значим фактор за прогнозиране на риска от отпадане на нови студенти. Тези под 20-годишна възраст са с по-голяма възможност да отпадат от по-възрастните учащи.
Начинът, по който студентите разпределят образователната си интензивност в границите на деня, също е доста индикативен – да вземем за пример това дали учат изключително по време на обяд или вечерно време. По-голямата интензивност по време на обедните часове се свързва с по-високи опасности от отпадане, до момента в който по-голямата интензивност през нощта се свързва с по-нисък риск.
SPA загатва и за разлика сред половете, като дамите са изложени на по-висок риск от отпадане от образованието спрямо мъжете.
„ Показатели като количеството, дължината и времето на известията сред учащите – посред им и с техните учители – или разнообразни характерности, учредени на трендовете в активността – като интензивност, която остава непрекъсната, усилва се или понижава – наподобява имат ниска или никаква предсказуема мощ. Това е назад на това, което в началото си мислехме ”, споделя Алколеа.
Симптоми, а не проблеми
Все отново с такива обещаващи резултати би трябвало да се има едно мислено, предизвестява Сюзан Терио, водещ откривател в Американския институт за научни проучвания, която специализира в създаването на системи за ранно предизвестие за учебните заведения до 12 клас в Съединени американски щати. Терио признава, че системите за ранно предизвестие като SPA, учредени на онлайн стратегии, могат да включат доста повече данни, в сравнение с обичайно биват обхванати от системите за ранно предизвестие за образованието до 12 клас, където всекидневно се вписват най-вече отсъствие/присъствие и оценки.
Но, съгласно нея, рано е да се вършат изводи по отношение на моделите, разкрити от инструментите за планирано моделиране. „ Едно от нещата, които са много ясни е, че прогнозните разбори демонстрират признаци, а не проблеми. Вие не можете да поставите диагноза [на тези проблеми] единствено с информацията за признаците. Обикновено би трябвало да задълбаете по-надълбоко ”.
Специалистите от Испания също са наясно с това. Те допускат, че когато админите на онлайн образователни стратегии разпознават студенти, изложени на риск от отпадане, могат да се свържат с тези учащи по имейл или по телефон, да поговорят с тях, да потърсят казуса във всеки съответен случай. На база на потреблението на програмата по този метод, споделя Алколеа, изследователският екип в този момент възнамерява да проучва успеваемостта на другите ограничения за задържане.
При отдалеченото образование казусът с отпадането е обичайно по-голям, само че и количеството евентуално потребна информация също е по-голямо (източник: CCO Public Domain)
Студентите могат елементарно да се запишат за онлайн академични курсове, само че да ги завършат е доста по-трудно. Степента на отпадане при онлайн курсове може да доближи 80%. Изследователите се пробват да трансформират това посредством създаване на системи за ранно предизвестие, които подсказват кои учащи е по-вероятно да отпаднат. След това админите могат да употребяват прогнозите, с цел да извърнат внимание на по-рисковите студенти и да положат старания за задържането на тези младежи.
Най-мащабната система за такова ранно предизвестие е създадена в Испания – тя се базира на данните на над 11 000 студенти, записани в онлайн стратегии в Мадридския отворен университет (UDIMA) в продължение на пет години. Системата е наречена SPA (съкращение от испански, което значи система за попречване на отпадането). Тя употребява машинно самообразование за генериране на самостоятелни прогнози за нови и за непрекъснати студенти, написа IEEE Transactions on Learning Technologies в публикация, оповестена на 16 април.
Амбициозен академични план
Хуан Алколеа, шеф по анализите в компанията Dimetrical, видял забавна опция в съществуването на подобен огромен набор от данни и се опитал да си партнира с откриватели в онлайн университета, както и с тези в Universidad Autónoma de Madrid, с цел да създаде SPA благодарение на техники за машинно самообразование.
„ Отпадането постоянно е било основен проблем в институциите за висше обучение. Беше ясно, че това е проблем, който може да се възползва от новите техники ”, споделя Алколеа. „ Особено при отдалеченото образование, където казусът с отпадането е обичайно по-голям – само че и количеството евентуално потребна информация, която е разполагаем [също е по-голяма] ”.
SPA включва освен персонални данни (например възраст или пол), стопански данни (например тип заплащане на такса), административни данни, университетски оценки и информация за ранно/късно записване. От решаващо значение е и фактът, че са включени и поведенчески данни от системата за онлайн образование на университета. Това обгръща данни, които касят времето от деня и продължителността на активността на студента, да вземем за пример.
SPA може да вземе поради до 120 променливи при основаването на профил за всеки студент. След това се генерира общ % на възможност от отпадане (например, студент А има 60% риск да отпадне).
За новите студенти има по-малко данни. Това дефинира и обстоятелството, че при тях системата е по-малко точна. Но защото логаритмите за машинно самообразование регистрират спомагателни променливи за студентите, които учат повече години, въпреки всичко се появяват забавни модели.
Алгоритми улавят трендовете
Компютърните логаритми забелязали забавни трендове. Например, възрастта е значим фактор за прогнозиране на риска от отпадане на нови студенти. Тези под 20-годишна възраст са с по-голяма възможност да отпадат от по-възрастните учащи.
Начинът, по който студентите разпределят образователната си интензивност в границите на деня, също е доста индикативен – да вземем за пример това дали учат изключително по време на обяд или вечерно време. По-голямата интензивност по време на обедните часове се свързва с по-високи опасности от отпадане, до момента в който по-голямата интензивност през нощта се свързва с по-нисък риск.
SPA загатва и за разлика сред половете, като дамите са изложени на по-висок риск от отпадане от образованието спрямо мъжете.
„ Показатели като количеството, дължината и времето на известията сред учащите – посред им и с техните учители – или разнообразни характерности, учредени на трендовете в активността – като интензивност, която остава непрекъсната, усилва се или понижава – наподобява имат ниска или никаква предсказуема мощ. Това е назад на това, което в началото си мислехме ”, споделя Алколеа.
Симптоми, а не проблеми
Все отново с такива обещаващи резултати би трябвало да се има едно мислено, предизвестява Сюзан Терио, водещ откривател в Американския институт за научни проучвания, която специализира в създаването на системи за ранно предизвестие за учебните заведения до 12 клас в Съединени американски щати. Терио признава, че системите за ранно предизвестие като SPA, учредени на онлайн стратегии, могат да включат доста повече данни, в сравнение с обичайно биват обхванати от системите за ранно предизвестие за образованието до 12 клас, където всекидневно се вписват най-вече отсъствие/присъствие и оценки.
Но, съгласно нея, рано е да се вършат изводи по отношение на моделите, разкрити от инструментите за планирано моделиране. „ Едно от нещата, които са много ясни е, че прогнозните разбори демонстрират признаци, а не проблеми. Вие не можете да поставите диагноза [на тези проблеми] единствено с информацията за признаците. Обикновено би трябвало да задълбаете по-надълбоко ”.
Специалистите от Испания също са наясно с това. Те допускат, че когато админите на онлайн образователни стратегии разпознават студенти, изложени на риск от отпадане, могат да се свържат с тези учащи по имейл или по телефон, да поговорят с тях, да потърсят казуса във всеки съответен случай. На база на потреблението на програмата по този метод, споделя Алколеа, изследователският екип в този момент възнамерява да проучва успеваемостта на другите ограничения за задържане.
Източник: technews.bg
КОМЕНТАРИ