Methodology of Machine Learning for the classification and Prediction of users in Virtual Education Environments
| Autor: | Efraín J. De-La-Hoz, Enrique J. De-La-Hoz, Tomás J. Fontalvo |
|---|---|
| Přispěvatelé: | Hoz Domínguez, Enrique José de la, Hoz Granadillo, Efraín de la, Fontalvo Herrera, Tomás |
| Jazyk: | Spanish; Castilian |
| Rok vydání: | 2019 |
| Předmět: |
Clúster
VLE AVE Strategy and Management Educación KNN Geotechnical Engineering and Engineering Geology Fuzzy k means Industrial and Manufacturing Engineering Aprendizaje automático Computer Science Applications Education General Energy Cluster Machine learning Aprenentatge automàtic Educació Humanities Food Science Mathematics |
| Popis: | espanolSe desarrolla una metodologia para clasificar y predecir usuarios en ambientes virtuales de educacion, estudiando la interaccion de los estudiantes con la plataforma y su desempeno en los examenes. Para esto se utilizaron las herramientas de aprendizaje automatico, componentes principales, clusterizacion, logica difusa, y el algoritmo del K vecino mas cercano. La metodologia relaciona los usuarios segun las variables de estudio, para asi implementar un analisis de cluster que identifica la formacion de grupos. Finalmente utiliza un algoritmo de aprendizaje automatico para clasificar los usuarios segun su nivel de conocimiento. Los resultados muestran como el tiempo que un estudiante permanece en la plataforma no esta relacionado con pertenecer al grupo de conocimiento alto. Se identificaron tres categorias de usuarios, aplicando la metodologia Fuzzy K-means para determinar zonas de transicion entre niveles de conocimiento. El algoritmo K vecino mas cercano presenta los mejores resultados de prediccion con un 91%. EnglishA methodology to classify and predict users in virtual education environments, studying the interaction of students with the platform and their performance in exams is proposed. For this, the machine learning tools, main components, clustering, fuzzy and the algorithm of the K nearest neighbor were used. The methodology first relates the users according to the study variables, to then implement a cluster analysis that identifies the formation of groups. Finally uses a machine learning algorithm to classify the users according to their level of knowledge. The results show how the time a student stays in the platform is not related to belonging to the high knowledge group. Three categories of users were identified, applying the Fuzzy K-means methodology to determine transition zones between levels of knowledge. The k nearest neighbor algorithm presents the best prediction results with 91%. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|