Abstract
Проаналізовано резюме, що подали кандидати на навчальні курси в галузі інформаційних технологій. Проаналізовано потенційні фактори, що можуть бути включені до вибірки для проведення експерименту. З цього списку резюме вибрано незалежні неакадемічні фактори, які беруться до уваги в дослідженні. Ці фактори можуть мати вплив на успішність кандидатів, що розпочинають навчання на освітніх програмах із напряму інженерії програмного забезпечення, та можуть бути розглянуті у вирішенні задачі прогнозування успішності. На основі цієї вибірки факторів розглянуто методи інтелектуального аналізу даних для класифікації кандидатів, беручи за основу результати проходження тесту на виявлення початкового рівня знань. Під час експерименту використано алгоритми генерації дерев прийняття рішень. Алгоритми, які застосовувалися під час дослідження: J48, LMT, Random Forest, Random Tree. Для оцінки точності класифікації застосовували метод перехресної перевірки. Проведено оцінку атрибутів, що враховуються під час експерименту. Згенеровано дерево прийняття рішень для аналізу факторів, що впливають на початковий рівень знань. Здійснено порівняння вибраних алгоритмів за точністю та швидкодією. Експериментальним способом виявлено основний фактор, що має найбільший вплив на якість проходження тесту на початковий рівень знань. Виявлено другорядні фактори, що також мають вплив на проходження тесту.
Publisher
Ukrainian National Forestry University
Reference30 articles.
1. Demchenko, Dmytro. (2018). Labor market 2018 according to DOU: salaries and number of IT Specialists are increasing. Ukraine – Startup And Technology News. Retrieved from: https://ain.ua/en/2018/12/28/labor-market-2018-according-to-dou/
2. Devasia, Tismy & T P, Vinushree & Hegde, Vinayak. (2016). Prediction of students performance using Educational Data Mining. 91–95. https://doi.org/10.1109/SAPIENCE.2016.7684167
3. Dutt, A., Ismail, M. A., & Herawan, T. (2017). A Systematic Review on Educational Data Mining. IEEE Access, 5, 15991–16005. https://doi.org/10.1109/ACCESS.2017.2654247
4. Garba Kolo, Ali & Munira Binti, Wan & Wan Jaafar, Wan & Binti Ahmad, Nobaya. (2017). Influence of Psychosocial Factors on Students Academic Performance in One of Nigerian Colleges of Education.
5. Hellas, A., Ihantola, P., Petersen, A., Ajanovski, V. V., et al. (2018). Predicting Academic Performance: A Systematic Literature Review. In Proceedings Companion of the 23rd Annual ACM Conference on Innovation and Technology in Computer Science Education. (pp. 175–199). (ITiCSE 2018 Companion). New York, NY, USA: ACM. https://doi.org/10.1145/3293881.3295783