छात्रों के प्रदर्शन की भविष्यवाणी करने के लिए शैक्षिक डेटा का खनन करना प्रायोजन व्यवहार के माध्यम से

एक महत्वपूर्ण मात्रा में अनुसंधान ने संकेत दिया है कि छात्रों की प्रायोजन प्रवृत्तियाँ ऑनलाइन शिक्षण में छात्रों के प्रदर्शन को प्रभावित करने वाला एक महत्वपूर्ण कारक हैं। इसलिए, शिक्षकों के लिए इस तरह के व्यवहार प्रवृत्तियों की उपस्थिति से अवगत होना आवश्यक है क्योंकि कम प्रायोजन प्रवृत्तियों वाले छात्र आमतौर पर उच्च प्रायोजन वाले छात्रों की तुलना में बेहतर प्रदर्शन करते हैं। वर्तमान अध्ययन में, हम एक नवीन एल्गोरिदम का प्रस्ताव करते हैं-छात्रों के असाइनमेंट सबमिशन व्यवहार का उपयोग करके-प्रायोजन व्यवहार के माध्यम से सीखने में कठिनाई वाले छात्रों के प्रदर्शन की भविष्यवाणी करने के लिए (जिसे PPP कहा जाता है)। कई मौजूदा कार्यों के विपरीत, PPP न केवल देर से या गैर-समर्पणों को ध्यान में रखता है, बल्कि असाइनमेंट की नियत तिथि से पहले छात्रों के व्यवहार पैटर्न की भी जांच करता है। PPP पहले प्रत्येक असाइनमेंट के लिए छात्रों के सबमिशन व्यवहार का प्रतिनिधित्व करने वाले विशेषता वेक्टर बनाता है, फिर छात्रों को प्रायोजक, प्रायोजन उम्मीदवार, या गैर-प्रायोजनकर्ता के रूप में लेबल करने के लिए विशेषता वेक्टर पर क्लस्टरिंग विधि लागू करता है, और अंततः छात्रों को सर्वश्रेष्ठ वर्गीकृत करने के लिए कई वर्गीकरण विधियों का उपयोग और तुलना करता है। PPP की प्रभावकारिता का मूल्यांकन करने के लिए, हम एस्टोनिया के टार्टू विश्वविद्यालय के 242 छात्रों को शामिल करने वाले एक पाठ्यक्रम का उपयोग करते हैं। परिणाम दर्शाते हैं कि PPP छात्रों के प्रायोजन व्यवहार के माध्यम से 96% की सटीकता के साथ उनके प्रदर्शन की सफलतापूर्वक भविष्यवाणी कर सकता है। स्थिर रेखीय सर्पोट वेक्टर मशीन अन्य के बीच निरंतर विशेषताओं के मामले में सबसे अच्छा वर्गीकरण होता है, और श्रेणीबद्ध विशेषताओं में न्यूरल नेटवर्क, जहाँ श्रेणीबद्ध विशेषताएँ निरंतर से थोड़ी बेहतर प्रदर्शन करती हैं। अंततः, हमने पाया कि सभी वर्गीकरण विधियों की भविष्यवाणी शक्ति क्लस्टरिंग द्वारा निर्मित वर्ग संख्या में वृद्धि से कम हो जाती है।