VACULÍK, Karel, Leona NEZVALOVÁ a Lubomír POPELÍNSKÝ. Educational data mining for analysis of students’ solutions. In Gennady Agre, Pascal Hitzler, Adila A. Krisnadhi, Sergei O. Kuznetsov. Artificial Intelligence: Methodology, Systems, and Applications - 16th International Conference, AIMSA 2014. London: Springer, 2014. s. 150-161, 12 s. ISBN 978-3-319-10553-6. doi:10.1007/978-3-319-10554-3_14.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Educational data mining for analysis of students’ solutions
Autoři VACULÍK, Karel (203 Česká republika, domácí), Leona NEZVALOVÁ (203 Česká republika, domácí) a Lubomír POPELÍNSKÝ (203 Česká republika, garant, domácí).
Vydání London, Artificial Intelligence: Methodology, Systems, and Applications - 16th International Conference, AIMSA 2014, od s. 150-161, 12 s. 2014.
Nakladatel Springer
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Velká Británie
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
Impakt faktor Impact factor: 0.402 v roce 2005
Kód RIV RIV/00216224:14330/14:00076477
Organizační jednotka Fakulta informatiky
ISBN 978-3-319-10553-6
ISSN 0302-9743
Doi http://dx.doi.org/10.1007/978-3-319-10554-3_14
Klíčová slova anglicky educational data mining; logic proofs; clustering; outlier detection; sequence mining
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 27. 4. 2015 05:56.
Anotace
We introduce a novel method for analysis of logic proofs constructed by undergraduate students that employs sequence mining for manipulation with temporal information about all actions that a student performed, and also graph mining for finding frequent subgraphs on different levels of generalisation. We show that this representation allows to find interesting subgroups of similar solutions and also to detect outlying solutions. Specifically, distribution of errors is not independent on behavioural patterns and we are able to find clusters of erroneous solutions. We also observed significant dependence between time duration and an appearance of the most serious error.
VytisknoutZobrazeno: 23. 9. 2020 08:54