Using support vector machine classification to evaluate positive learning attitude of students
,
,
,
and
*
Article Sidebar
Full Text: 
PDF
Abstract
The classification problem has been used in many fields, especially in medicine. A positive learning attitude is one of the critical factors directly influencing students‘ academic performance in an autonomous learning environment at the university level. This study builds a data set to evaluate the positive aspects of learning, then applies an effective classification model to this data set and proposes a classification model to diagnose "learning fatigue" promptly in individual students, thereby implementing timely support.
Tóm tắt
Bài toán phân loại đã được vận dụng trong nhiều lĩnh vực khác nhau, đặc biệt trong y học. Thái độ học tập tích cực là một trong những yếu tố chủ chốt quyết định trực tiếp đến kết quả học tập của sinh viên trong môi trường học tập tự chủ ở bậc đại học. Nghiên cứu này xây dựng bộ dữ liệu đánh giá tính tích cực trong học tập, sau đó áp dụng mô hình phân loại hiệu quả cho bộ dữ liệu này và đề xuất mô hình phân loại để chẩn đoán kịp thời "bệnh chán học" cho cá nhân sinh viên, từ đó có các biện pháp hỗ trợ kịp thời.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
Cortes, C., & Vapnik, V. (1995). Support-Vector Networks. Machine Learning, 20, 273-297. https://doi.org/10.1007/BF00994018
Huang, S., N. Cai, P., Pacheco, P., Narrandes, S., Wang, Y., & Xu, W. (2018). Applications of supportvector machine (SVM) learning in cancer geometrics. Cancer Genomics-Proteomics, 15(1), 41–51. https://doi.org/10.21873/cgp.20063
Imandoust, S. B., & Bolandraftar, M. (2013). Application of k-nearest neighbor (KNN) approach for pre-dicting economic events: Theoretical background. International Journal of Engineering Research and Applications, 3(5), 605-610.
Ma, Y., Zhang, Q., Li, D., & Tian, Y. (2019). LINEX support vector machine for large-scale classification. IEEE Access, 7, 70319-70331. https://doi.org/10.1109/ACCESS.2019.2919185
Noble, W. S. (2004). Support Vector Machine Applications in Computational Biology. In: Schoelkopf, B., Tsuda, K., Vert, J. P. (eds.) Kernel Methods in Computational Biology, pp. 71–92. MIT Press, Cambridge. https://doi.org/10.7551/mitpress/4057.003.0005
Tong, S., & Koller, D. (2002). Support Vector Machine Active Learning with Applications to Text Classification. The Journal of Machine Learning Research, 2(1), 45–66.
Vapnik, V. N. (1998). Statistical Learning Theory. Wiley-Interscience
Vovan, T., Chengoc, H., & Nguyentrang, T. (2017). Textural features selection for image classification by Bayesian method. In: 13th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery, 733–139. https://doi.org/10.1109/FSKD.2017.8393365
Huyền, N. T. (2018). Thực trạng tính tích cực học tập của sinh viên trường đại học kinh tế quốc dân, Tạp chí Giáo dục, 437(1), 23-27.
Hải, H. T., & Nguyệt, N. T. (2012). Tính tích cực học tập và vấn đề tích cực hóa hoạt động học tập của sinh viên trong đào tạo tín chỉ. Journal of social sciences, humanities and education, 2(4), 112-115.