Intelligent data analysis using artificial neural networks for decision making in the education domain

INTELLIGENT DATA ANALYSIS USING ARTIFICIAL NEURAL NETWORKS FOR DECISION MAKING IN THE EDUCATION DOMAIN

ІНТЕЛЕКТУАЛЬНИЙ АНАЛІЗ ДАНИХ ІЗ ВИКОРИСТАННЯМ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПРИЙНЯТТЯ РІШЕНЬ У СФЕРІ ОСВІТИ

Сторінки: 111-114. Номер: №6, 2021 (303) 
Автори:
PAVLO RADIUK
Khmelnytskyi National University
ORCID ID: 0000-0003-3609-112X
e-mail: radiukpavlo@gmail.com
OLEXANDER MAZURETS
Khmelnytskyi National University
ORCID ID: 0000-0002-8900-0650
e-mail: exe.chong@gmail.com
TETIANA SKRYPNYK
Khmelnytskyi National University
ORCID ID: 0000-0002-8531-5348
e-mail: marine_1996@ukr.net
OLEKSANDR MOROZ
Khmelnytskyi National University
ORCID ID: 0000-0003-4853-4573
e-mail: pointplack37@gmail.com
РАДЮК П. М., МАЗУРЕЦЬ О. В., СКРИПНИК Т. К., МОРОЗ О. В.
Хмельницький національний університет
DOI: https://www.doi.org/10.31891/2307-5732-2021-303-6-111-114
Рецензія/Peer review : 07.12.2021 р.
Надрукована/Printed : 30.12.2021 р.

Анотація мовою оригіналу

Nowadays, applying educational intelligent data analysis (EIDA) seems relevant for improving the educational process based on big data. It implies developing and improving the methods of processing collected data in educational institutions to understand academic issues better. Over the past decades, artificial neural networks (ANNs) have been recognized as the most prominent techniques for learning analytics. In this work, we systematized the recent scientific literature in EIDA with ANNs. The paper analyzes the applications of ANN to EIDA and discusses the computational issues in the EIDA domain. According to the investigation, most educational data mining tasks are addressed by controlled learning models, such as classification, regression, and time-series prediction. Most in-depth methods used in the EIDA domain are traditional types of ANN. Well-known techniques such as multi-year perceptron and deep long short‐term memory networks have been mainly used for classification and prediction tasks within the education sphere. However, the difficulty of interpreting the results produced by ANNs has also been a challenge for intelligent data practitioners in any domain, including education.
Keywords: intelligent data analysis, data mining, artificial neural networks, deep learning, decision making, learning analytics, education

Розширена анотація українською мовою

На сьогодні застосування методів інтелектуального аналізу даних у сфері онлайн освіти видається актуальним для вдосконалення навчального процесу на основі великих даних. Такий підхід передбачає розроблення та вдосконалення методів оброблення зібраних даних у навчальних закладах, щоб краще зрозуміти академічні проблеми та завдання. За останні десятиліття метод інтелектуального аналізу даних, під назвою штучна нейронна мережа, визнано найкращим для різноманітних завдань аналітики. У цій роботі проведено систематизацію нещодавньої наукової літератури щодо застосування методів інтелектуального аналізу даних зі штучною нейронною мережею в галузі освіти. У роботі аналізуються застосування інформаційних технологій на основі штучних нейронних мереж до розв’язання академічних завдань та обговорюються обчислювальні проблеми в галузі освіти. З 2018 року відбувалося стрімке зростання кількості публікацій із використанням штучних нейронних мереж. Половина розглянутих робіт була опублікована американськими установами, тоді як кожну третю статтю опубліковано в азіатських країнах. Відповідно до результатів аналізу встановлено, що освітні дані найчастіше розв’язуються за допомогою контрольованих навчальних моделей. Водночас у галузі освіти найчастіше трапляються завдання класифікації, регресії та прогнозування часових рядів. У роботі визначено, що традиційні типи штучних нейронних мереж найчастіше використовуються для оброблення та аналізу даних галузі освіти. Багатошаровий перцептрон та нейронна мережа з довгою короткочасною пам’яттю використовуються переважно для завдань класифікації та прогнозування. Втім складність інтерпретування результатів, отриманих за штучною нейронною мережею, може бути значною проблемою для фахівців-аналітиків та розробників програмного забезпечення в галузі освіти.
Ключові слова: інтелектуальний аналіз даних, видобуток даних, штучні нейронні мережі, глибоке навчання, прийняття рішень, освітня аналітика, галузь освіти.

References

1. Aldowah H. Educational data mining and learning analytics for 21st century higher education: A review and synthesis / H. Aldowah, H. Al-Samarraie, W. M. Fauzy // Telematics and Informatics. – 2019. – Vol. 37. – P. 13–49.
2. Salloum S. A. Mining in educational data: Review and future directions / S. A. Salloum, M. Alshurideh, A. Elnagar, K. Shaalan // Advances in Intelligent Systems and Computing. – Cham, 2020. – P. 92–102.
3. Charitopoulos A. On the use of soft computing methods in educational data mining and learning analytics research: A review of years 2010-2018 / A. Charitopoulos, M. Rangoussi, D. Koulouriotis // International Journal of Artificial Intelligence in Education. – 2020. – Vol. 30, no. 3. – P. 371–430.
4. Rivas A. Artificial neural network analysis of the academic performance of students in virtual learning environments / A. Rivas [et al.] // Neurocomputing. – 2021. – Vol. 423. – P. 713–720.
5. РадюкП. М. Аналітичний огляд архітектур згорткових нейронних мереж у задачах аналізу медичних зображень / П. М. Радюк  // Science, Engineering and Technology: Global and Current Trends : proceedings of inter. and pract. conf. (м. Прага, 27-28 груд. 2019). – Прага, 2019. – С. 32–25.
6. Radiuk P. M. A framework for exploring and modelling neural architecture search methods. / P. M. Radiuk, N. V. Hrypynska // The 4th International Conference on Computational Linguistics and Intelligent Systems (COLINS-2020), Lviv, Ukraine, 23–24 April 2020. – CEUR-WS, 2020. – Vol. 2604. – P. 1060–1074.
7. Hassan S.-UI Virtual learning environment to predict withdrawal by leveraging deep learning / S.-UlHassan [et al.] // International Journal of Intelligent Systems. – 2019. – Vol. 34, no. 8. – P. 1935–1952.
8. Mubarak A. A. Prediction of students’ early dropout based on their interaction logs in online learning environment / A. A. Mubarak, H. Cao, W. Zhang // Interactive Learning Environments. – 2020. – P. 1–20.
9. Xu W. Course video recommendation with multimodal information in online learning platforms: a deep learning framework / Xu, Y. Zhou // British Journal of Educational Technology. – 2020. – Vol. 51, no. 5. – P. 1734–1747.
10. Datta D. Optimization of an automated examination generation system using hybrid recurrent neural network / D. Datta, R. Agarwal, I. Tuteja // International Journal of Interdisciplinary Global Studies. – 2020. – Vol.14, no. 4. – P. 246–255.
11. Nguyen Ph. X. V. Deep learning versus traditional classifiers on vietnamese students’ feedback corpus / Ph. X. V. Nguyen, T. T. T. Hong, K. V. Nguyen, N. L.-T. Nguyen // 2018 5th NAFOSTED Conference on Information and Computer Science (NICS), Ho Chi Minh City, 23–24 November 2018 – [S. l.], 2018. – P. 1–6.
12. Mubarak A. A. Predictive learning analytics using deep learning model in MOOCs’ courses videos / A. A. Mubarak, H. Cao, S. A. M. Ahmed // Education and Information Technologies. – 2021. – Vol. 26, no. 1. – P. 371–392.
13. Zaheer N. Optimal school site selection in Urban areas using deep neural networks / N. Zaheer, -Ul Hassan, M. Ali, M. Shabbir // Journal of Ambient Intelligence and Humanized Computing. – 2021. – P. 1–15.
14. Furlan R. A natural language processing–based virtual patient simulator and intelligent tutoring system for the clinical diagnostic process: simulator development and case study / R. Furlan // JMIR medical informatics. – 2021. – Vol. 9, no. 4. – P. e24073.