Students' performance evaluation using artificial neural network

• Autorzy: Soumadip Ghosh , Arnab Hazra , Payel Biswas , Amitava Nag

Warianty tytułu

Ocena uczniowskich wyników przy wykorzystaniu sztucznej sieci neuronowej

• Języki publikacji: EN

Abstrakty

EN

The volume of data generated every year in educational institutions is enormous; due to this large volume of data there is a need to provide an efficient system support to aid in good decision making process. This research study is all about the evaluation of student performance using data mining technique over a given data space. The database that we are using in our study is related with the secondary education of two Portuguese schools. Two datasets are provided regarding the performance evaluation in two distinct subjects: Mathematics and Portuguese language. The classification goal is to evaluate the final grade of the students in any institute. In our work we are using Multilayer Perceptron (MLP), which is a feedforward artificial neural network model that maps sets of input data onto a set of appropriate outputs. The other classification techniques that are used over this dataset are Decision Tree (DT) and Support Vector Machine (SVM). The performance of MLP is found to be superior compared to the other two techniques used here.(original abstract)

Ilość danych generowanych co roku w placówkach oświatowych jest ogromna i właśnie ze względu na tę dużą ilość istnieje potrzeba zapewnienia wydajnego wsparcia systemowego, aby ułatwiać podejmowanie właściwych decyzji. Niniejsze badanie dotyczy oceny wyników uczniów z wykorzystaniem techniki data mining w danej przestrzeni danych. Baza danych, z której korzystamy w naszym badaniu, jest powiązana z wykształceniem średnim w dwóch portugalskich szkołach. Dostępne były dwa zestawy danych dotyczące oceny efektywności nauczania dotyczących dwu przedmiotów: matematyki i języka portugalskiego. Celem klasyfikacji jest ewaluacja końcowej oceny uczniów w dowolnym instytucie. W naszej pracy korzystamy z wielowarstwowego perceptronu (MLP), będącego symulowanym sztucznym modelem sieci neuronowej, który mapuje zbiory danych wejściowych na zbiór odpowiednich wyników. Pozostałe techniki klasyfikacji używane w tym zbiorze danych to drzewo decyzyjne (DT) i maszyna wektorów wsparcia (SVM). Wyniki pokazują, że wydajność MLP jest lepsza w porównaniu z dwiema pozostałymi technikami.(abstrakt oryginalny)

Słowa kluczowe

EN

Data Mining; Secondary education; Classification; Neural networks; Teaching

PL

Data Mining; Szkolnictwo średnie; Klasyfikacja; Sieci neuronowe; Nauczanie

• Czasopismo: Rocznik Naukowy Wydziału Zarządzania w Ciechanowie
• Rocznik: 2018
• Tom: 12
• Numer: nr 1-4
• Strony: 123--133

Twórcy

autor

Soumadip Ghosh

• Academy of Technology, West Bengal, India

autor

Arnab Hazra

• Academy of Technology, West Bengal, India

autor

Payel Biswas

• Jogesh Chandra Chaudhuri College, West Bengal, India

autor

Amitava Nag

• Central Institute of Technology, Kokrajhar, India

Bibliografia

• J. Han and M. Kamber, "Data Mining: Concepts and Techniques," Morgan Kaufmann, 2000.
• A. K. Pujari, Data Mining Techniques Universities Press (India) Private Limited. 1st Edition, 2001.
• S. Haykin, Neural Networks: A Comprehensive Foundation, Prentice Hall, 2nd Edition, 1998.
• J. R. Quinlan. Simplifying decision trees International Journal of Man-Machine Studies vol. 27, no. 3, pp. 221234, 1987.
• L. Breiman, J. H. Freidman, R.A. Olshen and C. J. Stone. Classification and Regression Trees Belmont, Wadsworth, 1984.
• C. Cortes and V Vapnik, "Support-vector networks," Mach. Learn., vol. 20, no. 3, pp. 273-297, Sep. 1995.
• U. K. Pandey, and S. Pal, "Data Mining: A prediction of performer or underperformer using classification", (IJCSIT) International Journal of Computer Science and Information Technology, Vol. 2(2), pp.686-690, ISSN:0975-9646, 2011.
• S. T. Hijazi, and R. S. M. M. Naqvi, "Factors affecting student's performance: A Case of Private Colleges", Bangladesh e-Journal of Sociology, Vol. 3, No. 1, 2006.
• Z. N. Khan, "Scholastic achievement of higher secondary students in science stream", Journal of Social Sciences, Vol. 1, No. 2, pp. 84-87, 2005.
• Q. A. AI-Radaideh, E. W AI-Shawakfa, and M. I. AI-Najjar, "Mining student data using decision trees", International Arab Conference on Information Technology- (ACIT'2006), Yarmouk University, Jordan, 2006.
• Paulo Cortez and Alice Silva, Using data mining to predictSecondary School student performance, p. 5-12, April 2008.
• UCI Dataset URL: https://archive.ics.uci.edu/ml/datasets/student+performance
• J. Scott Armstrong and Fred Collopy, Error measures for generalizing about forecasting methods: Empirical Comparisons International Journal of Forecasting, vol. 8: 6980, 1992.
• Jean Carletta, Assessing agreement on classification tasks: the kappa statistic Com- putational Linguistics, MIT Press Cambridge MA, USA, vol. 22, no.2, pp. 249254, 1996.
• Stephen V Stehman, Selecting and interpreting measures of thematic classification accuracy Remote Sensing of Environment, vol. 62, no.1, pp.7789, 1997.