Aller au contenu principal
Accès ouvert déclaré 2023 conference-paper

Transforming Learning Data into a Machine Learning Model to Help STEM students Transition to University

0Citations signalées, ce qui n’est pas une note de qualité
2Institutions déclarées
2Pays d’affiliation déclarés

Rattachement africain : us, ca. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Machine Learning (ML) may be a promising tool for predicting student success.Our research aims to predict student performance in specific STEM courses using ML.Self-reported scores on learning strategies, metacognitive awareness, mindset, and misconceptions about the brain were evaluated along with learning analytics to predict grades.The model demonstrated a high correlation between learning attributes and performance with an initial classifier accuracy of 78%.This approach is promising for tailoring our learning strategies for specific courses.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Transforming Learning Data into a Machine Learning Model to Help STEM students Transition to University
Date Crossref
03/10/2023
Éditeur
International Society of the Learning Sciences
Type
proceedings-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Les institutions déclarées

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Online Learning and AnalyticsMachine Learning and Data ClassificationArtificial Intelligence in Healthcare

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.