機械学習によるオンライン教育における工学部学生のパフォーマンスの分類：感情的、認知的、行動的側面

急速に進化するオンライン学習環境において、学生のパフォーマンスを正確に予測することは、教育の質と学生の成果を向上させる上で重要な役割を果たします。本研究では、感情的、認知的、行動的要因に基づいてオンラインコースにおける学生のパフォーマンスを分類するための機械学習アルゴリズムの効果を調査し、学生の成功を支援するためのより効果的な教授戦略と介入を開発しました。2022-2023年の秋学期と春学期に私立大学で天文学物理学を履修した485人の工学部学生のデータセットを使用して、サポートベクターマシン（SVM）、K最近傍法（KNN）、ナイーブベイズ（NB）分類器、ロジスティック回帰、決定木、ランダムフォレストの6つの機械学習アルゴリズムを訓練および評価しました。ランダムフォレストアルゴリズムは、分類精度が最も高く（87％）、87％の学生を高、中、低の3つのパフォーマンスカテゴリーのいずれかに正しく分類しました。さらに、本研究では、不安と期待がオンラインコースにおける学生のパフォーマンスを向上させる最も影響力のある要因であり、社会的孤立が最も効果的でない要因であることが明らかになりました。これらの結果は、機械学習が限られた特徴のセットでもオンラインコースにおける学生のパフォーマンスを効率的に分類でき、教育者が学生支援のために教授戦略と介入を向上させることができることを示唆しています。