ПРИМЈЕНА DATA MININGA ЗА ПРЕДВИЂАЊЕ УСПЈЕХА У СТУДИРАЊУ
Кључне речи:
успјех у студирању, стабла одлучивања, логистичка регресија, data miningАпстракт
Рад се бави креирањем модела за предвиђање успјешности студената у току студирања помоћу DATA MININGA, те анализом фактора који утичу на остварени ниво успјешности. Креиран је модел који на основу социо-демографских података о студентима, те података о њиховом понашању и ставовима према учењу и организацији наставе у цјелини, настоји класификовати студенте у једну од двије категорије успјешности. Успјешност је мјерена оствареном просјечном оцјеном студената у периоду студирања. Тестирали смо двије методе data mininga i to: логистичку регресију и стабла одлучивања. Сматрали смо да је ће представљени модел послужити као тест за стварње шире базе ажурираних података уз коришћење неког од информатичких алата, те да ће се на основу њега дефинисати велики број атрибута којимa ће сe релативно поуздано предвиђати успјешност у студирању
##plugins.themes.default.displayStats.downloads##
Референце
[1] Apte C, Weiss S., Data Mining with Decision Trees and Decision Rules. Future Generation Computer Systems, Vol. 13, 1997., str.197-210.
[2] Dunham, M., Data Mining - Introductory and Advanced Topics, Prentice Hall, 2003.
[3] Glasser, W. Control Theory.,Harper and Row. New York, 1984.
[4] Gojkov, G., Dokimologija, Beograd: Uciteljski fakultet, 1997.
[5] Masters, T., Advanced Algorithms for Neural Networks, A C++ Sourcebook, John Wiley & Sons, 1995.
[6] Naik, B., Ragothaman, S., Using Neural Networks to Predict MBA Student Success, College Student Journal, Vol. 38, No. 1, 2004, str.143-150.
[7] Kirckby, R., WEKA Explorer User Guide for Version 3-3-4, University of Waikato 2002.
[8] Zaidah, I., Daliela, R., Predicting students’ academic performance, comparing artificial neural network, decision tree and linear regression, 21st Annual SAS Malaysia Forum, 5th September 2007, Kuala Lumpur, str. 1 – 6.
[9] Witten I.H., Frank E., Data Mining: Practical Machine Learning Tools and Techniques with Java Implementation, Morgan Kaufman Publishers: San Francisco, 2000.
[10] Hardgrave, B.C., Wilson, R.L., Kent, K.A. Predicting Graduate Student Success: A Comparison of Neural Networks and Traditional Techniques, Computers & Operations Research, 21, 1994., str. 249 – 263.
[11] Han, J., Kamber, M., Data Mining – Concepts and Techniques, Morgan Kaufman Press 2001.
[12] Oladokun, V.O., Adebanjo, A. T., Charles-Owaba, O. E., Predicting Students’ Academic Performance using Artificial Neural Network, A Case Study of an Engineering Course, The Pacific Journal of Science and Technology, Vol. 9. No. 1., 2008, str. 72 –- 79.
[13] Rodić, N. (2000): Latentna struktura uspešnosti diplomiranih studenata Učiteljskog fakulteta u Somboru, Sombor: Norma, VI; 3: 25-44; Beograd: Nastava i vaspitanje, L, 1: 98 – 113.
[14] Shulruf, B., Hattie, J., Tumen, S., The Predictability of Enrolment and First-Year University Results from Secondary School Performance, The New Zealand National Certificate of Educational Achievement, Studies in Higher Education, Vol. 33, No. 6, 2008., str. 685 – 698,
[15] Симеуновић, В. (2005) Информатика, Методологија , Статистика, Висока школа унутрашњих послова, Бања Лука
[16] Sulaiman, A., Mohezar, S., Student Success Factors, Identifying Key Predictors, Journal of Education for Business, Vol. 81, No.6, 2006., str. 328 – 333.
[17] Suzić, N., PEDAGOGIJA ZA XXI VIJEK TT centar, Banja Luka, 2005.
[18] Šipka, P., Zbirka radova sa područja kriterijuma, Beograd: Odeljenje za psihologiju Vojnomedicinske akademije,1981
