تحليل أداء الطلبة في التعليم الإلكتروني باعتماد الانحدار

اصبح التعليم الالكتروني اكثر شيوعا بسبب انتشار جائحة كورونا والتقدم التكلنوجي في مجال التواصل والانترنت. يعتبر الحفاظ على مستوى اداء الطلبة ومشاركتهم وتحفيزهم من التحديات التي تواجه التعليم الالكتروني وبالاخص الصلة مابين مدى مشاركة الطلبة والاداء الاكاديمي. ولتحقيق هذا الهدف , اقترحت هذه الورقة استخدام خوارزميات الانحدار للتنبؤ باداء الطلبة وايجاد العلاقة مابين مشاركة الطلبة ونتيجة الاختبار النهائي في بيئة التعلم الالكتروني وتاثير كل فعالية على الاداء. ولغرض تحليل اداء الطلبة والتنبؤ بادائهم تم استخدام مجموعة البيانات Open University Learning Analytics (OULAD) والتي تحتوي على مفردات تفاعل الطلاب أثناء التعلم عبر الإنترنت من حيث تحرير النص والوقت الذي يقضيه كل نشاط وما إلى ذلك ، بالإضافة إلى درجة الاختبار التي تم تحقيقها في كل جلسة. والتي تم تصنيفها لغويًا في ثلاث فئات واسعة بناءً على معايير مختلفة: (1) نوع النشاط ، (2) إحصاءات التوقيت ، و (3) عدد الأنشطة الطرفية. يهدف نموذج Machine learning المقترح إلى توقع ما إذا كان أداء الطالب سيكون منخفضًا أم مرتفعًا. تم استخدام اربع مصنفات شائعة في دراستنا ، وهي: XGBoost ، LASSO ، اشجار القرار ومتجه دعم الالة وباستخدام مقاييس مختلفة. أظهرت النتائج أن LASSO حقق أفضل أداء لدقة التنبؤ.