Published August 21, 2013
| Version v1
Publication
Open
Fuzzy Clustering of Students' Data Repository for At-Risks Students Identification and Monitoring
Description
In educational data mining, identifying academic courses that contribute significantly to students' class of degree and predicting students' performances can help in the choice and improvement of intervention and support services for students whose performances are poor.Experience shows that graduates with weak class of degree find it difficult to gain employment, hence, the need to identify and group these at-risk students at an early stage of their academic career and then develop a plan to improve their performance.This paper identifies possible academic courses with significant contribution to academic performance and predicts students' graduating class of degree.11Ants Model Builder provided a means for course rank analysis while MATLAB was the system development tool.Fuzzy c-Means (FCM) algorithm was used to partition students into weak, average and good clusters.Four (4) natural clusters of at-risk students were automatically identified with k-means algorithm.Results show that Sugeno-type inference system is best suitable for the provision of initial parameters for Adaptive Neuro Fuzzy Inference System (ANFIS) training of students' dataset.The results also prove the effectiveness of the combination of FCM, k-means and ANFIS in the classification of students based on academic performance and at-risk levels.The results will help educational managers monitor groups of students at the same level of performance, and those at the boundary of two classes of degree for the provision of informed counseling and intervention plans, to improve academic performance.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
في استخراج البيانات التعليمية، يمكن أن يساعد تحديد الدورات الأكاديمية التي تساهم بشكل كبير في درجة الطلاب والتنبؤ بأداء الطلاب في اختيار وتحسين خدمات التدخل والدعم للطلاب الذين يكون أداؤهم ضعيفًا. تظهر التجربة أن الخريجين ذوي الدرجة الضعيفة يجدون صعوبة في الحصول على عمل، وبالتالي، فإن الحاجة إلى تحديد هؤلاء الطلاب المعرضين للخطر وتجميعهم في مرحلة مبكرة من حياتهم الأكاديمية ثم وضع خطة لتحسين أدائهم. تحدد هذه الورقة الدورات الأكاديمية الممكنة مع مساهمة كبيرة في الأداء الأكاديمي ويتوقع فئة تخرج الطلاب من الدرجة .11 قدم منشئ نموذج ANTS وسيلة لتحليل رتبة الدورة التدريبية بينما كانت MATLAB أداة تطوير النظام. تم استخدام خوارزمية الوسائل c الضبابية (FCM) لتقسيم الطلاب إلى مجموعات ضعيفة ومتوسطة وجيدة. تم تحديد أربع (4) مجموعات طبيعية من الطلاب المعرضين للخطر تلقائيًا باستخدام خوارزمية k - means. تظهر النتائج أن نظام الاستدلال من نوع Sugeno هو الأنسب لتوفير المعلمات الأولية لنظام الاستدلال العصبي التكيفي (ANFIS) لتدريب مجموعة بيانات الطلاب. تثبت النتائج أيضًا فعالية الجمع من FCM و k - means و ANFIS في تصنيف الطلاب بناءً على الأداء الأكاديمي والمستويات المعرضة للخطر. ستساعد النتائج المديرين التربويين على مراقبة مجموعات الطلاب على نفس مستوى الأداء، وأولئك الموجودين على حدود فئتين من الشهادات لتقديم المشورة المستنيرة وخطط التدخل، لتحسين الأداء الأكاديمي.Translated Description (French)
Dans l'exploration de données éducatives, l'identification des cours académiques qui contribuent de manière significative à la classe de diplôme des étudiants et la prédiction des performances des étudiants peuvent aider au choix et à l'amélioration des services d'intervention et de soutien pour les étudiants dont les performances sont médiocres. L'expérience montre que les diplômés ayant une classe de diplôme faible ont du mal à obtenir un emploi, d'où la nécessité d'identifier et de regrouper ces étudiants à risque à un stade précoce de leur carrière académique, puis d'élaborer un plan pour améliorer leurs performances. Ce document identifie les cours académiques possibles avec une contribution significative aux performances académiques et prédit la classe de diplôme des étudiants. 11Ants Model Builder a fourni un moyen d'analyse du classement des cours alors que Matlab était l'outil de développement du système. L'algorithme Fuzzy c-Means (FCM) a été utilisé pour diviser les étudiants en grappes faibles, moyennes et bonnes. Quatre (4) grappes naturelles d'étudiants à risque ont été automatiquement identifiées avec l'algorithme k-means. Les résultats montrent que le système d'inférence de type Sugeno est le mieux adapté pour la fourniture de paramètres initiaux pour la formation du système d'inférence adaptative Neuro Fuzzy (ANFIS) de l'ensemble de données des étudiants. Les résultats prouvent également l'efficacité de la combinaison. des FCM, k-means et ANFIS dans la classification des étudiants en fonction des performances académiques et des niveaux à risque. Les résultats aideront les responsables de l'éducation à surveiller les groupes d'étudiants au même niveau de performance, et ceux à la limite de deux classes de diplôme pour la fourniture de conseils éclairés et de plans d'intervention, afin d'améliorer les performances académiques.Translated Description (Spanish)
En la minería de datos educativos, identificar cursos académicos que contribuyan significativamente a la clase de grado de los estudiantes y predecir el desempeño de los estudiantes puede ayudar en la elección y mejora de los servicios de intervención y apoyo para los estudiantes cuyo desempeño es pobre. La experiencia muestra que los graduados con una clase de grado débil tienen dificultades para obtener empleo, por lo tanto, la necesidad de identificar y agrupar a estos estudiantes en riesgo en una etapa temprana de su carrera académica y luego desarrollar un plan para mejorar su desempeño. Este documento identifica posibles cursos académicos con una contribución significativa al rendimiento académico y predice la clase de graduación de los estudiantes.11 El Constructor de Modelos ANTS proporcionó un medio para el análisis del rango del curso, mientras que MATLAB fue la herramienta de desarrollo del sistema. El algoritmo de Medias c difusas (FCM) se utilizó para dividir a los estudiantes en grupos débiles, promedio y buenos. Cuatro (4) grupos naturales de estudiantes en riesgo se identificaron automáticamente con el algoritmo de medias k. Los resultados muestran que el sistema de inferencia de tipo Sugeno es el más adecuado para la provisión de parámetros iniciales para el entrenamiento del Sistema de Inferencia Neurológica Adaptativa (ANFIS) del conjunto de datos de los estudiantes. Los resultados también demuestran la efectividad de la combinación de FCM, k-means y ANFIS en la clasificación de estudiantes en función del rendimiento académico y los niveles de riesgo. Los resultados ayudarán a los gerentes educativos a monitorear grupos de estudiantes con el mismo nivel de rendimiento, y aquellos en el límite de dos clases de grado para la provisión de asesoramiento informado y planes de intervención, para mejorar el rendimiento académico.Files
17692.pdf
Files
(331.9 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:43245d6968c10929f599dde051c8f317
|
331.9 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تجميع غامض لمستودع بيانات الطلاب لتحديد الطلاب المعرضين للخطر ومراقبتهم
- Translated title (French)
- Regroupement flou du référentiel de données des étudiants pour l'identification et le suivi des étudiants At-Risks
- Translated title (Spanish)
- Agrupación difusa del repositorio de datos de los estudiantes para la identificación y monitoreo de estudiantes en riesgo
Identifiers
- Other
- https://openalex.org/W2048835245
- DOI
- 10.5539/cis.v6n4p37
References
- https://openalex.org/W1968082705
- https://openalex.org/W1978380673
- https://openalex.org/W1982580481
- https://openalex.org/W2027711578
- https://openalex.org/W2058012762
- https://openalex.org/W2059131771
- https://openalex.org/W2066348961
- https://openalex.org/W2079777076
- https://openalex.org/W2137984277
- https://openalex.org/W4245691501