Scientific Reports· 2026Q1
Yeni Çerçeve Öğrenci Uyarlanabilirliğini %97,5 Doğrulukla Tahmin Ediyor
An innovative framework for student adaptability prediction using discriminant-based classification, feature selection, and sensitivity analysis
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Optimizasyonlu ayrımcı tabanlı sınıflandırma (QDGO) kullanan yeni bir çerçeve, diğer modelleri geride bırakarak öğrenci uyarlanabilirliğini 0,975 doğrulukla tahmin ediyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Bir QDGO modeli, öğrenci uyarlanabilirliği tahmini için 0,975 sınıflandırma doğruluğu elde etti.
- Çerçeve, QDA, XGBoost ve LDA'yı TFWO ve GAO optimizasyon algoritmalarıyla birleştiriyor.
- Demografik, eğitimsel ve sosyo-ekonomik niteliklere sahip 1.205 öğrenciden oluşan bir veri seti kullanıldı.
- FAST yaklaşımı kullanılarak yapılan hassasiyet analizi, en iyi hibrit modellerin performansını doğruladı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Accurately predicting student adaptability is essential for enhancing academic performance and personal development. The present study presents a classification-based approach utilizing Quadratic Discriminant Analysis (QDA), Extreme Gradient Boosting (XGBoost), and Linear Discriminant Analysis (LDA) to predict student adaptability. To enhance model performance, the Turbulent Flow of Water-based Optimization (TFWO) and Giant Armadillo Optimization (GAO) algorithms are employed. The dataset, consisting of 1,205 student records with demographic, educational, and socio-economic attributes, is split into training and test sets. The two best-performing hybrid models undergo a sensitivity analysis using the FAST approach. Experimental results demonstrate that the QDA model optimized with GAO (QDGO) achieves the highest classification accuracy of 0.975, outperforming other model configurations. These findings underscore the potential of optimized classification models in student adaptability prediction, providing valuable insights for educational institutions. Future studies can explore additional hybrid models and larger datasets to further refine predictive accuracy.
Yazarların özeti; kaynağından alınmıştır. Scientific Reports, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Bilgisayar Bilimi Uygulamaları
Computer Science ApplicationsComputer Science