Verwendung von Convolutional Neural Network zur Erkennung von Lernbildern zur frühzeitigen Warnung von gefährdeten Studierenden

Dieser Artikel schlägt zwei innovative Ansätze vor, die einkanalige Lernbildrecognition und die dreikanalige Lernbildrecognition, um die Kursbeteiligungen von Studierenden in Bilder für eine frühzeitige Warnvorhersageanalyse umzuwandeln. Mehrere Experimente mit 5235 Studierenden und 576 absoluten/1728 relativen Eingangsvariablen wurden durchgeführt, um ihre Wirksamkeit zu überprüfen. Die Ergebnisse zeigen, dass beide Methoden signifikant mehr gefährdete Studierende erfassen können (die höchste durchschnittliche Rückrufquote beträgt 77,26%) als die folgenden Machine-Learning-Algorithmen: Support Vector Machine, Random Forest und Deep Neural Network zu Beginn des Semesters. Darüber hinaus ermöglichen die innovativen Ansätze die Identifizierung kleinerer Subtypen gefährdeter Studierender und liefern visuelle Einblicke für personalisierte Interventionen. Auch die Implikationen und zukünftigen Richtungen werden in diesem Artikel erörtert.