EN

Predicting drop-out from social behaviour of students

BAYER, Jaroslav, Hana BYDŽOVSKÁ, Jan GÉRYK, Tomáš OBŠÍVAČ a Lubomír POPELÍNSKÝ. Predicting drop-out from social behaviour of students. In Kalina Yacef, Osmar Zaïane, Arnon Hershkovitz, Michael Yudelson and John Stamper. Proceedings of the 5th International Conference on Educational Data Mining - EDM 2012. Greece: www.educationaldatamining.org, 2012. s. 103 - 109, 7 s. ISBN 978-1-74210-276-4.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Predicting drop-out from social behaviour of students
Autoři BAYER, Jaroslav (203 Česká republika, domácí), Hana BYDŽOVSKÁ (203 Česká republika, domácí), Jan GÉRYK (203 Česká republika, domácí), Tomáš OBŠÍVAČ (203 Česká republika, domácí) a Lubomír POPELÍNSKÝ (203 Česká republika, garant, domácí).
Vydání Greece, Proceedings of the 5th International Conference on Educational Data Mining - EDM 2012, od s. 103 - 109, 7 s. 2012.
Nakladatel www.educationaldatamining.org
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor Computer sciences, information science, bioinformatics
Stát vydavatele Řecko
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
Kód RIV RIV/00216224:14330/12:00060271
Organizační jednotka Fakulta informatiky
ISBN 978-1-74210-276-4
Klíčová slova anglicky data mining; study-related data; social behaviour data; social network analysis
Štítky best3
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnila: RNDr. Hana Bydžovská, Ph.D., učo 139544. Změněno: 16. 10. 2014 08:50.
Anotace
This paper focuses on predicting drop-out and school failure when student data has been enriched with data derived from students social behaviour. These data describe social dependencies gathered from e-mail and discussion boards conversation, among other sources. We describe an extraction of new features from both student data and behaviour data (or more precisely from social graph which we construct). Then we introduce a novel method for learning classier for student failure prediction that employs cost-sensitive learning to lower the number of incorrectly classified unsuccessful students. We show that a use of social behaviour data results in significant prediction accuracy increase.
Návaznosti
LA09016, projekt VaVNázev: Účast ČR v European Research Consortium for Informatics and Mathematics (ERCIM) (Akronym: ERCIM)
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, INGO (jen po projekty s počátkem řešení v roce 2010)
VytisknoutZobrazeno: 21. 3. 2019 03:13

Další aplikace