Published July 13, 2021
| Version v1
Publication
Open
Leveraging the Power of Deep Learning Technique for Creating an Intelligent, Context-Aware, and Adaptive M-Learning Model
- 1. Kohat University of Science and Technology
- 2. King Saud University
Description
Machine learning (ML) and deep learning (DL) algorithms work well where future estimations and predictions are required. Particularly, in educational institutions, ML and DL algorithms can help instructors in predicting the learning performance of learners. Furthermore, the prediction of the learning performance of learners can assist instructors and intelligent learning systems (ILSs) in taking preemptive measures (i.e., early engagement or early intervention measures) so that the learning performance of weak learners could be increased thus reducing learners' failures and dropout rates. In this study, we propose an intelligent learning system (ILS) powered by the mobile learning (M-learning) model that predicts learners' performance and classify them into various performance groups. Subsequently, adaptive feedback and support are provided to those learners who struggle in their studies. Four M-learning models were created for different learners considering their learning features (study behavior) and their weight values. The M-learning model was based on the artificial neural network (ANN) algorithm with the aim to predict learners' performance and classify them into five performance groups, whereas the random forest (RF) algorithm was used to determine each feature's importance in the creation of the M-learning model. In the last stage of this study, we performed an early intervention/engagement experiment on those learners who showed weak performance in their study. End-user computing satisfaction (EUCS) model questionnaire was adopted to measure the attitude of learners towards using an ILS. As compared to traditional machine learning algorithms, ANN achieved the highest prediction accuracy for all four learning models, i.e., model 1 = 90.77%, model 2 = 87.69%, model 3 = 83.85%, and model 4 = 80.00%. Moreover, the five most important features that significantly affect the students' final performance were MP3 = 0.34, MP1 = 0.26, MP2 = 0.24, NTAQ = 0.05, and AST = 0.018.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تعمل خوارزميات التعلم الآلي (ML) والتعلم العميق (DL) بشكل جيد حيث تكون التقديرات والتنبؤات المستقبلية مطلوبة. على وجه الخصوص، في المؤسسات التعليمية، يمكن أن تساعد خوارزميات ML و DL المدربين في التنبؤ بأداء التعلم لدى المتعلمين. علاوة على ذلك، يمكن أن يساعد التنبؤ بأداء التعلم لدى المتعلمين المعلمين وأنظمة التعلم الذكية (ILSs) في اتخاذ تدابير وقائية (أي المشاركة المبكرة أو تدابير التدخل المبكر) بحيث يمكن زيادة أداء التعلم لدى المتعلمين الضعفاء وبالتالي تقليل إخفاقات المتعلمين ومعدلات التسرب. في هذه الدراسة، نقترح نظامًا تعليميًا ذكيًا (ILS) مدعومًا بنموذج التعلم المتنقل (M - learning) الذي يتنبأ بأداء المتعلمين ويصنفهم إلى مجموعات أداء مختلفة. بعد ذلك، يتم تقديم التغذية الراجعة والدعم التكيفي لأولئك المتعلمين الذين يعانون في دراستهم. تم إنشاء أربعة نماذج للتعلم عبر الهاتف المحمول لمختلف المتعلمين مع الأخذ في الاعتبار سمات التعلم الخاصة بهم (سلوك الدراسة) وقيم وزنهم. استند نموذج التعلم عبر الهاتف المحمول إلى خوارزمية الشبكة العصبية الاصطناعية (ANN) بهدف التنبؤ بأداء المتعلمين وتصنيفهم إلى خمس مجموعات أداء، في حين تم استخدام خوارزمية الغابة العشوائية (RF) لتحديد أهمية كل ميزة في إنشاء نموذج التعلم عبر الهاتف المحمول. في المرحلة الأخيرة من هذه الدراسة، أجرينا تجربة التدخل/المشاركة المبكرة على المتعلمين الذين أظهروا أداءً ضعيفًا في دراستهم. تم اعتماد استبيان نموذج رضا المستخدم النهائي عن الحوسبة (EUCS) لقياس موقف المتعلمين تجاه استخدام ILS. بالمقارنة مع خوارزميات التعلم الآلي التقليدية، حققت آن أعلى دقة تنبؤ لجميع نماذج التعلم الأربعة، أي النموذج 1 = 90.77 ٪، والنموذج 2 = 87.69 ٪، والنموذج 3 = 83.85 ٪، والنموذج 4 = 80.00 ٪. علاوة على ذلك، كانت أهم خمس ميزات تؤثر بشكل كبير على الأداء النهائي للطلاب هي MP3 = 0.34 و MP1 = 0.26 و MP2 = 0.24 و NTAQ = 0.05 و AST = 0.018.Translated Description (French)
Les algorithmes d'apprentissage automatique (ML) et d'apprentissage profond (DL) fonctionnent bien lorsque des estimations et des prédictions futures sont nécessaires. En particulier, dans les établissements d'enseignement, les algorithmes de ML et de DL peuvent aider les instructeurs à prédire les performances d'apprentissage des apprenants. En outre, la prédiction des performances d'apprentissage des apprenants peut aider les instructeurs et les systèmes d'apprentissage intelligents (SIA) à prendre des mesures préventives (c.-à-d., des mesures d'engagement précoce ou d'intervention précoce) afin que les performances d'apprentissage des apprenants faibles puissent être augmentées, réduisant ainsi les échecs et les taux d'abandon des apprenants. Dans cette étude, nous proposons un système d'apprentissage intelligent (ils) alimenté par le modèle d'apprentissage mobile (M-learning) qui prédit la performance des apprenants et les classe en différents groupes de performance. Par la suite, une rétroaction adaptative et un soutien sont fournis aux apprenants qui ont du mal dans leurs études. Quatre modèles d'apprentissage M ont été créés pour différents apprenants en tenant compte de leurs caractéristiques d'apprentissage (comportement d'étude) et de leurs valeurs de poids. Le modèle M-learning était basé sur l'algorithme du réseau neuronal artificiel (RNA) dans le but de prédire la performance des apprenants et de les classer en cinq groupes de performance, tandis que l'algorithme de la forêt aléatoire (RF) a été utilisé pour déterminer l'importance de chaque caractéristique dans la création du modèle M-learning. Dans la dernière étape de cette étude, nous avons effectué une expérience d'intervention/engagement précoce sur les apprenants qui ont montré de faibles performances dans leur étude. Le questionnaire du modèle de satisfaction informatique de l'utilisateur final (EUCS) a été adopté pour mesurer l'attitude des apprenants à l'égard de l'utilisation d'un ils. Par rapport aux algorithmes d'apprentissage automatique traditionnels, ANN a obtenu la précision de prédiction la plus élevée pour les quatre modèles d'apprentissage, c'est-à-dire que le modèle 1 = 90,77 %, le modèle 2 = 87,69 %, le modèle 3 = 83,85 % et le modèle 4 = 80,00 %. De plus, les cinq caractéristiques les plus importantes qui affectent de manière significative la performance finale des élèves étaient MP3 = 0,34, MP1 = 0,26, MP2 = 0,24, NTAQ = 0,05 et AST = 0,018.Translated Description (Spanish)
Los algoritmos de aprendizaje automático (ML) y aprendizaje profundo (DL) funcionan bien cuando se requieren estimaciones y predicciones futuras. En particular, en las instituciones educativas, los algoritmos de ML y DL pueden ayudar a los instructores a predecir el rendimiento de aprendizaje de los alumnos. Además, la predicción del rendimiento de aprendizaje de los alumnos puede ayudar a los instructores y a los sistemas de aprendizaje inteligentes (ILS) a tomar medidas preventivas (es decir, medidas de participación temprana o intervención temprana) para que el rendimiento de aprendizaje de los alumnos débiles pueda aumentar, reduciendo así las tasas de fracaso y abandono de los alumnos. En este estudio, proponemos un sistema de aprendizaje inteligente (ILS) impulsado por el modelo de aprendizaje móvil (M-learning) que predice el rendimiento de los alumnos y los clasifica en varios grupos de rendimiento. Posteriormente, se proporcionan comentarios y apoyo adaptativos a aquellos alumnos que tienen dificultades en sus estudios. Se crearon cuatro modelos de aprendizaje M para diferentes alumnos teniendo en cuenta sus características de aprendizaje (comportamiento de estudio) y sus valores de peso. El modelo de aprendizaje M se basó en el algoritmo de red neuronal artificial (ANN) con el objetivo de predecir el rendimiento de los alumnos y clasificarlos en cinco grupos de rendimiento, mientras que el algoritmo de bosque aleatorio (RF) se utilizó para determinar la importancia de cada característica en la creación del modelo de aprendizaje M. En la última etapa de este estudio, realizamos un experimento de intervención/participación temprana en aquellos alumnos que mostraron un rendimiento deficiente en su estudio. Se adoptó el cuestionario del modelo de satisfacción informática del usuario final (EUCS) para medir la actitud de los alumnos hacia el uso de un ILS. En comparación con los algoritmos de aprendizaje automático tradicionales, ANN logró la mayor precisión de predicción para los cuatro modelos de aprendizaje, es decir, modelo 1 = 90.77%, modelo 2 = 87.69%, modelo 3 = 83.85% y modelo 4 = 80.00%. Además, las cinco características más importantes que afectan significativamente el rendimiento final de los estudiantes fueron MP3 = 0.34, MP1 = 0.26, MP2 = 0.24, NTAQ = 0.05 y AST = 0.018.Files
5519769.pdf.pdf
Files
(15.9 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:25a01021318faad037bc495ac04624b8
|
15.9 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الاستفادة من قوة تقنية التعلم العميق لإنشاء نموذج تعلم ذكي ومدرك للسياق وقابل للتكيف
- Translated title (French)
- Tirer parti de la puissance de la technique d'apprentissage profond pour créer un modèle d'apprentissage M intelligent, adapté au contexte et adaptatif
- Translated title (Spanish)
- Aprovechar el poder de la técnica de aprendizaje profundo para crear un modelo de aprendizaje móvil inteligente, consciente del contexto y adaptativo
Identifiers
- Other
- https://openalex.org/W3180864989
- DOI
- 10.1155/2021/5519769
References
- https://openalex.org/W1537279926
- https://openalex.org/W1979877645
- https://openalex.org/W1987523869
- https://openalex.org/W2049868504
- https://openalex.org/W2077264381
- https://openalex.org/W2093259190
- https://openalex.org/W2340952835
- https://openalex.org/W2543707867
- https://openalex.org/W2575077354
- https://openalex.org/W2596377599
- https://openalex.org/W2615786590
- https://openalex.org/W2734794185
- https://openalex.org/W2754427584
- https://openalex.org/W2759380105
- https://openalex.org/W2771569535
- https://openalex.org/W2777380340
- https://openalex.org/W2784098503
- https://openalex.org/W2789876780
- https://openalex.org/W2799194347
- https://openalex.org/W2800139390
- https://openalex.org/W2800452411
- https://openalex.org/W2802480554
- https://openalex.org/W2805035427
- https://openalex.org/W2806157627
- https://openalex.org/W2807319534
- https://openalex.org/W2809998386
- https://openalex.org/W2811048898
- https://openalex.org/W2821461286
- https://openalex.org/W2821640938
- https://openalex.org/W2881652353
- https://openalex.org/W2885195348
- https://openalex.org/W2887719596
- https://openalex.org/W2892640267
- https://openalex.org/W2893031446
- https://openalex.org/W2893182464
- https://openalex.org/W2893846498
- https://openalex.org/W2894001402
- https://openalex.org/W2894982307
- https://openalex.org/W2895475421
- https://openalex.org/W2901156759
- https://openalex.org/W2906239767
- https://openalex.org/W2909694270
- https://openalex.org/W2910744507
- https://openalex.org/W2913498829
- https://openalex.org/W2913834905
- https://openalex.org/W2914876226
- https://openalex.org/W2936376497
- https://openalex.org/W2944021296
- https://openalex.org/W2945177784
- https://openalex.org/W2946538172
- https://openalex.org/W2961266369
- https://openalex.org/W2969461968
- https://openalex.org/W2999286548
- https://openalex.org/W3041016778
- https://openalex.org/W3121493724
- https://openalex.org/W4297672888