Mit der zunehmenden Nutzung von E-Learning in verschiedenen Bereichen wächst der Bedarf, die aus den Interaktionen von Schülern mit digitalen Lernsystemen generierten Big Data zu analysieren und zu verarbeiten. Diese Daten umfassen Testergebnisse, Inhaltsinteraktionen und Verhaltensdaten von Lernenden. Die hohe Dimensionalität in den Daten kann die Analyse mit KI und maschinellem Lernen behindern, was eine Dimensionsreduktion erforderlich macht, um die Effizienz des Modells zu steigern und die rechnerische Komplexität zu reduzieren. Die Studie untersucht Techniken zur Dimensionsreduktion wie PCA, LDA, Autoencoder und t-SNE im E-Learning. Sie stellt fest, dass traditionelle Methoden effektiv sind, jedoch bieten fortgeschrittene Methoden wie tiefe Autoencoder und hybride KI-Modelle eine überlegene Leistung. UMAP übertrifft t-SNE bei Cluster- und Visualisierungsaufgaben.
Munassar et al. (Mon,) haben diese Frage untersucht.