Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
Elektrische Antriebe und Energiesysteme 2025 | 26 + 27 März 2025

19. Internationaler MTZ-Fachkongress Zukunftsantriebe

Seien Sie bei der Konferenz dabei! Dort treffen Experten aus der Automobilindustrie, Energieerzeugung und Stromnetzbetrieb auf Vertreter aus Politik und Wissenschaft. Diskutiert werden wichtige Themen der Branche.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Data Analysis and Machine Learning for MOOC Optimization

verfasst von : El Ghali Mohamed, Atouf Issam, Talea Mohamed

Erschienen in: Innovations in Smart Cities Applications Volume 7

Verlag: Springer Nature Switzerland

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Our study analyses learning data in the context of massive open online courses (MOOCs) that are growing in popularity, but their effectiveness and learner completion rate are often criticized. Our goal is to improve students’ completion rate by analyzing their behaviors and level of engagement. Log data generated by students’ interactions with didactic activities are used to predict student dropout, and thus improve pedagogical quality. Different machine learning approaches, artificial neural networks, SVMs, and decision trees are used for this analysis. The use of artificial intelligence models makes it possible to personalize the learning experience, detect anomalies, and take appropriate action. The three classification models used show a high accuracy, reaching almost 99% and the mean square error is very low.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel 3D Spatial Queries for High-Rise Buildings Using 3D Topology Rules
Nächstes Kapitel Using Machine Learning to Enhance Personality Prediction in Education
Literatur
1.
Fei, M., Yeung, D.Y.: Temporal models for predicting student dropout in massive open online courses. In: 2015 IEEE International Conference on Data Mining Workshop (ICDMW), pp. 256–263. IEEE (2015)
2.
Gardner, J., Brooks, C.: Student success prediction in MOOCs. User Model. User-Adap. Inter. 28, 127–203 (2018)CrossRef
3.
Marbouti, F., Diefes-Dux, H.A., Madhavan, K.: Models for early prediction of at-risk students in a course using standards-based grading. Comput. Educ. 103, 1–15 (2016)CrossRef
4.
Al-Musharraf, A., Alkhattabi, M.: An educational data mining approach to explore the effect of using interactive supporting features in an LMS for overall performance within an online learning environment. Int. J. Comput. Sci. Netw. Secur. (IJCSNS) 16(3), 1 (2016)
5.
Conijn, R., Snijders, C., Kleingeld, A., Matzat, U.: Predicting student performance from LMS data: a comparison of 17 blended courses using Moodle LMS. IEEE Trans. Learn. Technol. 10(1), 17–29 (2016)CrossRef
6.
Le, M.D., Nguyen, H.H., Nguyen, D.L., Nguyen, V.A.: How to forecast the students’ learning outcomes based on factors of interactive activities in a blended learning course. In: Proceedings of the 6th International Conference on Frontiers of Educational Technologies, pp. 11–15 (2020)
7.
Chamizo-Gonzalez, J., Cano-Montero, E.I., Urquia-Grande, E., Muñoz-Colomina, C.I.: Educational data mining for improving learning outcomes in teaching accounting within higher education. Int. J. Inf. Learn. Technol. 32(5), 272–285 (2015)CrossRef
8.
Jo, Y., Maki, K., Tomar, G.: Time series analysis of clickstream logs from online courses. arXiv preprint arXiv:​1809.​04177 (2018)
9.
Chung, J., Gulcehre, C., Cho, K., Bengio, Y.: Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:​1412.​3555 (2014)
10.
Zhang, K., Xu, J., Min, M.R., Jiang, G., Pelechrinis, K., Zhang, H.: Automated IT system failure prediction: a deep learning approach. In: 2016 IEEE International Conference on Big Data (Big Data), pp. 1291–1300. IEEE (2016)
11.
Du, M., Li, F., Zheng, G., Srikumar, V.: DeepLog: anomaly detection and diagnosis from system logs through deep learning. In: Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, pp. 1285–1298 (2017)
12.
Hagan, M.T., Demuth, H.B., Beale, M.H., De Jesús, O.: Neural Network Design, vol. 20. Pws Pub, Worcester (1996)
13.
14.
Ozkan, I.A., Koklu, M.: Skin lesion classification using machine learning algorithms. Int. J. Intell. Syst. Appl. Eng. 5(4), 285–289 (2017)CrossRef
Metadaten
Titel
Data Analysis and Machine Learning for MOOC Optimization
verfasst von
El Ghali Mohamed
Atouf Issam
Talea Mohamed
Copyright-Jahr
2024
Buch
Innovations in Smart Cities Applications Volume 7

Print ISBN: 978-3-031-54375-3

Electronic ISBN: 978-3-031-54376-0

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-54376-0_33

Premium Partner

    Bildnachweise