Améliorer l'interaction homme-machine dans l'éducation en ligne : une approche d'apprentissage automatique pour prédire l'émotion et la satisfaction des étudiants

Maintenir l'engagement des étudiants est essentiel dans le paysage en constante évolution de l'éducation en ligne. Les facteurs qui influencent et prédisent la satisfaction des étudiants pendant l'apprentissage en ligne sont mal compris. Notre étude aborde cette question en utilisant des modèles d'apprentissage automatique (AA) pour prédire les émotions et la satisfaction des étudiants. L'AA se concentre sur des données petites et structurées qui ne nécessitent pas la complexité des réseaux neuronaux profonds. Nous avons créé un modèle de classification AA formé avec des données d'une enquête en ligne sur sept constructions. Nous avons réduit les caractéristiques critiques de 55 à 7 et 36 pour la prédiction de la satisfaction et de l'émotion, respectivement, en utilisant la méthode de sélection de caractéristiques par rétrogradation (BFS). Le réseau neuronal artificiel (RNA) et le modèle de forêt aléatoire (RF) ont surpassé d'autres classificateurs, montrant une précision de 81 % et 65,3 % pour la prédiction de la satisfaction et des émotions, respectivement. Nos résultats suggèrent qu'en prédisant et en répondant aux émotions et à la satisfaction des étudiants, nous pouvons optimiser l'expérience d'apprentissage en ligne, en fournissant des trajectoires éducatives personnalisées qui s'alignent sur les besoins uniques de chaque étudiant.