Avaliações Abrangentes da Estimativa de Desempenho Estudantil por meio de Aprendizado de Máquina

O sucesso na aprendizagem dos alunos é o objetivo principal do sistema educacional. A inteligência artificial utiliza dados e aprendizado de máquina para alcançar a excelência na aprendizagem dos alunos. Neste artigo, exploramos várias técnicas de aprendizado de máquina para estimar o desempenho inicial dos alunos. Duas simulações principais foram usadas para a avaliação. A primeira simulação utilizou os Classificadores Tradicionais de Aprendizado de Máquina (TMLCs) aplicados ao conjunto de dados da Casa, sendo eles: Gaussian Naïve Bayes (GNB), Support Vector Machine (SVM), Decision Tree (DT), Multi-Layer Perceptron (MLP), Random Forest (RF), Linear Discriminant Analysis (LDA) e Quadratic Discriminant Analysis (QDA). Os melhores resultados foram alcançados com o classificador MLP, com uma divisão de 80% para treinamento e 20% para teste, apresentando uma precisão de 88,89%. A fusão desses sete classificadores também foi aplicada e o maior resultado foi igual ao do MLP. Além disso, na segunda simulação, a Rede Neural Convolucional (CNN) foi utilizada e avaliada em cinco principais conjuntos de dados, a saber: Casa, Western Ontario University (WOU), Experience Application Programming Interface (XAPI), University of California-Irvine (UCI) e Analytics Vidhya (AV). O conjunto de dados UCI foi subdividido em três conjuntos de dados, a saber: UCI-Math, UCI-Por e UCI-Fused. Além disso, o conjunto de dados AV tem três alvos: Matemática, Leitura e Escrita. Os melhores resultados de precisão foram alcançados em 97,5%, 99,55%, 98,57%, 99,28%, 99,40%, 99,67%, 92,93%, 96,99% e 96,84% para os conjuntos de dados Casa, WOU, XAPI, UCI-Math, UCI-Por, UCI-Fused, AV-Math, AV-Reading e AV-Writing, respectivamente, sob o mesmo protocolo de avaliação. O sistema demonstra que o método proposto baseado em CNN supera todos os sete métodos convencionais e outros trabalhos de ponta.