Visuelle Daten- und Musteranalyse für intelligentes Lernen: Ein robustes, DRL-basiertes Frühwarnsystem zur Vorhersage der Schülerleistung

Künstliche Intelligenz (KI) und Deep Reinforcement Learning (DRL) haben das E-Learning revolutioniert, indem sie personalisierte, adaptive und sichere Umgebungen geschaffen haben. Dennoch bestehen Herausforderungen wie Datenschutz, Vorurteile und Datenbeschränkungen. E-FedCloud zielt darauf ab, diese Probleme zu adressieren, indem es agileren, personalisierten und sicheren E-Learning-Erfahrungen bietet. Diese Studie stellt E-FedCloud vor, ein KI-unterstütztes, adaptives E-Learning-System, das personalisierte Empfehlungen und Verfolgung automatisiert und somit die Schülerleistung verbessert. Es verwendet eine auf föderiertem Lernen basierende Authentifizierung, um einen sicheren und privaten Zugang für sowohl Kursleiter als auch Schüler zu gewährleisten. Intelligente Software-Agenten (ISAs) bewerten das wöchentliche Engagement der Schüler mit der Shannon-Entropiemethode und klassifizieren die Schüler in engagierte und nicht-engagierte Cluster. E-FedCloud nutzt den wöchentlichen Engagement-Status, demografische Informationen und ein innovatives DRL-basiertes Frühwarnsystem, speziell ID2QN, um die Leistung nicht-engagierter Schüler vorherzusagen. Basierend auf diesen Vorhersagen kategorisiert das System die Schüler in drei Gruppen: Risiko des Abbrechens, Risiko schlechterer Ergebnisse in der Abschlussprüfung und Risiko des Nichtbestehens der Endprüfung. Es verwendet einen interdisziplinären Ontologiegraphen und ein aufmerksamkeitsbasiertes Kapselnetzwerk für automatisierte, personalisierte Empfehlungen. Das System integriert auch eine Leistungsüberwachung zur Verbesserung des Schülerengagements. Daten werden sicher auf einer Blockchain mit der LWEA-Verschlüsselungsmethode gespeichert.