Student optimizer to program komputerowy, który analizuje i przewiduje wyniki uczniów. Ma on wiele zastosowań w edukacji, w tym w korepetycjach online i nauczaniu kursowym. Jednak często nie jest możliwe zastosowanie takiego programu do indywidualnych uczniów. W niniejszym artykule przeanalizowano badania nad optymalizatorem dla uczniów i omówiono wyzwania związane z jego wdrożeniem. Artykuł bada również stan wiedzy na temat systemów przewidywania wyników uczniów, jak również przyszłe kierunki w tej dziedzinie.
Artykuł zrealizowany przy wsparciu serwisu 123faktury.pl
UT Dallas Student Optimization Summit
UT Dallas University Career Center prezentuje nadchodzący „Student Optimization Summit”, wirtualne wydarzenie zaplanowane na 23 lipca 2021 roku. To półdniowe wydarzenie skupia się na rozwijaniu umiejętności zawodowych studentów, zdolności przywódczych i możliwości kariery. Każdy student wybierze swoją własną misję, wybierając między różnymi warsztatami rozwoju zawodowego. Te warsztaty skupią się na zarządzaniu czasem, rozwoju umiejętności i najlepszych praktykach kariery. Aby dowiedzieć się więcej o wydarzeniu, kliknij na poniższe linki.
Wpływ czynników ludzkich na wyniki studentów
Niedawne badanie podkreśliło znaczenie zajęcia się czynnikami ludzkimi w procesie edukacyjnym, szczególnie podczas szkoły medycznej. General Medical Council niedawno włączył czynniki ludzkie do swoich standardów przydatności do praktyki, a rola szkoły medycznej jest kluczowa w osadzaniu tych koncepcji. Ta książka przedstawi aktualną perspektywę czynników ludzkich w edukacji i sprzyja nowej dyskusji na temat projektowania optymalnych doświadczeń edukacyjnych. Przedstawia prace czołowych badaczy, edukatorów i praktyków przemysłowych w celu zidentyfikowania przyczyn ludzkich błędów i dostarczenia rozwiązań w celu ich wyeliminowania.
Ruch Human Performance ma trzy kluczowe zagrożenia. Jest oderwany od dyscypliny naukowej i może połączyć się z nauką populistyczną, której brakuje solidnej bazy dowodowej nauki pragmatycznej. Może również odwoływać się do przemysłu, jednocześnie oddalając naukę od teorii. Może też okazać się nieskuteczna, a nawet przynieść efekt przeciwny do zamierzonego. Jednak najbardziej palącym zagrożeniem dla tego ruchu jest to, że nie stosuje się on do metod naukowych, które, jak udowodniono, poprawiają wyniki uczniów.
Podczas gdy Human Performance skupia się na wydajności jednostek, Human Factors skupia się na wydajności grup i systemów. Jest to gałąź pokrewnych nauk o człowieku, a badanie ludzkich osiągnięć może dostarczyć ważnych spostrzeżeń na temat funkcjonowania organizacji i zespołów. Na przykład zespół studentów może osiągać lepsze wyniki, gdy jest mniej czynników rozpraszających. Ponadto czynniki ludzkie mogą pomóc uczniom lepiej radzić sobie z wymaganiami szkoły.
Komitet ds. czynników ludzkich Army Research Institute zlecił przeprowadzenie ankiety wśród głównych organizacji przemysłowych i specjalistów ds. czynników ludzkich. Ankieta określiła zadania wykonywane przez specjalistów ds. czynników ludzkich w różnych branżach, w tym w projektowaniu, produkcji i konserwacji produktów konsumenckich. Ankieta zawierała informacje na temat czynników ludzkich z różnych dziedzin, w tym psychologii i socjologii. Zbadano również związek między czynnikami ludzkimi a wydajnością. Jeśli chodzi o edukację, czynniki ludzkie wpływają na wydajność zarówno w klasie, jak i w miejscu pracy.
Obecny stan badań w systemach przewidywania osiągnięć uczniów
Przewidywanie osiągnięć uczniów było prowadzone na wielu poziomach. Mierzy się je na poziomie pojedynczego przedmiotu (oceny) i semestru (SGPA). Mierzono je również na poziomie studiów (CGPA i ocena ogólna). Ale co sprawia, że te systemy są skuteczne? W tym artykule omówiono niektóre z kluczowych czynników, które wpływają na wyniki studentów. Zbadajmy stan wiedzy na temat przewidywania wyników studentów. Poza podstawami teoretycznymi, artykuł ten zawiera również przegląd aktualnego stanu badań nad systemami przewidywania wyników uczniów.
Najpierw badamy, jak modele predykcyjne działają w tradycyjnych środowiskach nauczania. Podejście to znane jest jako systemy rekomendacyjne. W tradycyjnym środowisku uniwersyteckim systemy rekomendacyjne są wykorzystywane do tego celu. W ostatnich latach opracowano również systemy rekomendacyjne. Metody te zostały zastosowane w Massive Open Online Courses. W porównaniu do tradycyjnych środowisk nauczania, systemy rekomendacyjne są stosunkowo nowe. Co więcej, mogą one być wykorzystywane do przewidywania ocen w różnych kursach, w tym internetowych.
Po drugie, systemy przewidywania wyników studentów mogą pomóc w identyfikacji studentów osiągających słabe wyniki. W badaniu obejmującym prawie 11 000 studentów studiów licencjackich, SGPA studenta zostało określone na podstawie przedmiotów, które studiowali na maturze. Jednak wyniki tego badania nie są jednoznaczne. Kilka badań sugeruje, że wyniki studentów studiów licencjackich mogą się różnić w zależności od dyscypliny studiów. Dlatego konieczne jest przetestowanie modeli predykcyjnych w różnych kontekstach, aby zapewnić, że modele są niezawodne i skuteczne.
Wreszcie, proponowane podejście zapewnia lepsze wyniki w małych zbiorach danych. Został on ulepszony, aby poradzić sobie z małą ilością danych poprzez generowanie próbek syntetycznych. Podejście to przewyższa również głębokie SVM w czułości i specyficzności. To podejście jest również połączone z wieloma podejściami opartymi na jądrze i pokazuje lepszą wydajność. Tak więc, w skrócie, możliwe jest poprawienie przewidywania wyników uczniów za pomocą eksploracji danych edukacyjnych. Jednak nadal istnieje wiele wyzwań i pytań, które pozostają w tej dziedzinie.
Przyszłe kierunki badań
W ostatnim badaniu podsumowano wcześniejsze wkłady w tej dziedzinie i podzielono je na dwie grupy, a mianowicie badania psychologiczne i odkrycia związane z eksploracją danych oraz optymalizację istniejących systemów predykcyjnych. Te dwie grupy wykazują rozległą synchronizację, co może pomóc w zwiększeniu mocy predykcyjnej optymalizatorów studenckich poprzez dostarczenie przydatnych pomysłów podczas procesu optymalizacji i udowodnienie wykonalności projektów pilotażowych. Jednakże, badania te wciąż pozostawiają otwarte kilka ważnych pytań. Wśród tych pytań jest to, jak zintegrować badania psychologiczne i odkrycia eksploracji danych w optymalizatorze dla studentów.
Oprócz analizy istniejących algorytmów i metod, przyszłe kierunki badań w tej dziedzinie powinny również rozważyć synchronizację różnych metod dla tego samego problemu. Pozwoli to określić, które techniki wykazują najszybsze tempo zbieżności i są w stanie wyodrębnić istotne cechy. Sugeruje się również zastosowanie technik ograniczających region, gdyż metody te skupiają się na sąsiedztwie optymalnej trajektorii. Dodatkowo, multigrid, który nie wymaga struktury drobnej siatki, zmniejszy wymagania obliczeniowe i pamięciowe.
Przegląd 1497 artykułów akademickich z lat 1990-2022 omawia możliwości dla przyszłych badaczy zajmujących się predykcją wydajności. Krytycznie ocenia wkład analizy danych, badań psychologicznych i innych technik nie-AI w tej dziedzinie. Ponadto, podkreśla wykonalność projektów pilotażowych i przyszłych kierunków. Gdy przyszłe kierunki zostaną jasno określone, przyszłe badania mogą skupić się na określeniu dokładnych czynników, które determinują wyniki ucznia. I wreszcie, przyszłe badania skupią się na wykorzystaniu analizy statystycznej i algorytmu predykcyjnego.