Vorhersage der kultursensiblen Lehrerrollen mit kultureller Intelligenz und Selbstwirksamkeit unter Verwendung von Machine Learning Klassifikationsalgorithmen

Ziel dieser Studie war es, die kultursensiblen Lehrerrollen basierend auf kultureller Intelligenz und Selbstwirksamkeit mithilfe von Machine Learning Klassifikationsalgorithmen vorherzusagen. Die Forschungsgruppe besteht aus 415 Lehrern aus verschiedenen Fachrichtungen. Der Bayes-Klassifikator (NaiveBayes), die logistische Regression (SMO), der Lazy-Klassifikator (KStar), der Meta-Klassifikator (LogitBoost), der Regel-Lerner (JRip) und der Entscheidungsbaum (J48) wurden zur Bewertung des prädiktiven Modells eingesetzt. Die Ergebnisse zeigten, dass der JRip-Regel-Lerner eine bessere Leistung als andere Klassifikatoren bei der Vorhersage der kultursensiblen Lehrer basierend auf sechs Attributen, die in der Studie verwendet wurden, hatte. Der JRip-Regel-Lerner klassifizierte die kultursensiblen Lehrer als niedrig, mittel oder hoch mit einer Genauigkeit von 99,76 % (CCI: 414/415) Kappa-Statistik: 0,996, Mittlerer Absoluter Fehler (MAE): 0,003, Wurzel des Mittleren Quadratischen Fehlers (RMSE): 0,043, Relativer Absoluter Fehler (RAE): 0,663, Relativer Quadratfehler (RRSE): 9,244. Die Ergebnisse deuteten darauf hin, dass alle Klassifikatoren eine akzeptable Leistung erbrachten, aber der JRip-Regel-Lerner eine bessere Leistung als die anderen Klassifikatoren bei der Vorhersage der kultursensiblen Lehrer hatte.