Forecasting the learning outcomes of the learning management process according to the study plan with artificial intelligence

• Autorzy: Thepnarin Nawaphol , Nonthaputha Thanat , Bunsong Wasana , Prasongjan Piya

Identyfikatory

DOI

10.15199/48.2022.04.10

Warianty tytułu

PL

Prognozowanie efektów uczenia się procesu zarządzania uczeniem zgodnie z planem nauki ze sztuczną inteligencją)

• Języki publikacji: EN

Abstrakty

EN

This study presents the advanced prediction of learning achievement of students in Bachelor of Science in Technical Education, Electrical Program at Rajamangala University of Technology Srivijaya, Songkhla by using the technique of back-propagation neural networks based on the historical data of the pre-semester grade point average (GPA) that is expected to be a relevant factor affecting the cumulative GPA throughout the anticipated undergraduate program used in teaching and testing the neural network model to predict the average grade level. The results of the experiment showed that the use of neural network techniques for forecasting the grade point average obtained can be used to help in the preparation of effective study plan for first-time students.

PL

Niniejsze opracowanie przedstawia zaawansowaną prognozę wyników w nauce uczniów w Bachelor of Science in Technical Education, Electrical Program at Rajamangala University of Technology Srivijaya, Songkhla przy użyciu techniki sieci neuronowych z propagacją wsteczną w oparciu o dane historyczne z oceny przedsemestralnej średnia punktowa (GPA), która ma być istotnym czynnikiem wpływającym na skumulowany GPA podczas przewidywanego programu studiów licencjackich stosowanego w nauczaniu i testowaniu modelu sieci neuronowej w celu przewidzenia średniego poziomu ocen. Wyniki eksperymentu wykazały, że wykorzystanie technik sieci neuronowych do prognozowania uzyskanej średniej ocen może pomóc w przygotowaniu efektywnego planu studiów dla studentów pierwszego rok.

Słowa kluczowe

EN

learning outcomes; artificial intelligence; forecasting phrases

PL

prognozowanie; sztuczna inteligencja; uczenie się

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 4
• Strony: 44--46
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Thepnarin Nawaphol

• Rajamangala University of Technology Srivijaya, Thailand

• https://orcid.org/0000-0002-8842-2915

autor

Nonthaputha Thanat

• Rajamangala University of Technology Srivijaya, Thailand

• https://orcid.org/0000-0001-9154-9338

autor

Bunsong Wasana

• Rajamangala University of Technology Srivijaya, Thailand

• https://orcid.org/0000-0003-3801-3053

autor

Prasongjan Piya

• Rajamangala University of Technology Srivijaya, Thailand

Bibliografia

• [1] C. F. Rodríguez-Hernández, M. Musso, E. Kyndt, and E. Cascallar, “Artificial neural networks in academic performance prediction: Systematic implementation and predictor evaluation,” Comput. Educ. Artif. Intell., vol. 2, no. March, p. 100018, 2021, doi: 10.1016/j.caeai.2021.100018.
• [2] L. Milačić, S. Jović, T. Vujović, and J. Miljković, “Application of artificial neural network with extreme learning machine for economic growth estimation,” Phys. A Stat. Mech. its Appl., vol. 465, pp. 285–288, 2017, doi: 10.1016/j.physa.2016.08.040.
• [3] Y. M. Kuo, C. W. Liu, and K. H. Lin, “Evaluation of the ability of an artificial neural network model to assess the variation of groundwater quality in an area of blackfoot disease in Taiwan,”Water Res., vol. 38, no. 1, pp. 148–158, 2004, doi: 10.1016/j.watres.2003.09.026.
• [4] H. S. Yıldız Aybek and M. R. Okur, “Predicting Achievement with Artificial Neural Networks: The Case of Anadolu University Open Education System,” Int. J. Assess. Tools Educ., no. July, pp. 474–490, 2018, doi: 10.21449/ijate.435507.
• [5] L. Bal and F. Buyle-Bodin, “Artificial neural network for predicting drying shrinkage of concrete,” Constr. Build. Mater., vol. 38, pp. 248–254, 2013, doi: 10.1016/j.conbuildmat.2012.08.043.
• [6] P. Saxena and Y. Parasher, “Application of artificial neural network (ANN) for animal diet formulation modeling,” Procedia Comput. Sci., vol. 152, pp. 261–266, 2019, doi: 10.1016/j.procs.2019.05.018.
• [7] A. D. Dongare, R. R. Kharde, and A. D. Kachare, “Introduction to Artificial Neural Network ( ANN ) Methods,” Int. J. Eng. Innov. Technol., vol. 2, no. 1, pp. 189–194, 2012, [Online]. Available: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.1082.1323&rep=rep1&type=pdf.
• [8] B. Kordanuli, L. Barjaktarović, L. Jeremić, and M. Alizamir, “Appraisal of artificial neural network for forecasting of economic parameters,” Phys. A Stat. Mech. its Appl., vol. 465, pp. 515–519, 2017, doi: 10.1016/j.physa.2016.08.062.
• [9] A. H. Neto and F. A. S. Fiorelli, “Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption,” Energy Build., vol. 40, no. 12, pp. 2169–2176, 2008, doi: 10.1016/j.enbuild.2008.06.013.
• [10] H. Malek, M. M. Ebadzadeh, and M. Rahmati, “Three new fuzzy neural networks learning algorithms based on clustering, training error and genetic algorithm,” Appl. Intell., vol. 37, no. 2, pp. 280–289, 2012, doi: 10.1007/s10489-011-0327-7.
• [11] Z. Guo, W. Zhao, H. Lu, and J. Wang, “Multi-step forecasting for wind speed using a modified EMD-based artificial neural network model,” Renew. Energy, vol. 37, no. 1, pp. 241–249, 2012, doi: 10.1016/j.renene.2011.06.023.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).