Algorithms· 2026Q2
Hibrit ACO–Topluluk Öğrenmesi Öğrenci Forum Kullanımını Tahmin Ediyor
A Hybrid ACO–Ensemble Learning Framework for Predicting Student Forum Consumption Behaviour
- 0atıf
- Q2SCImago
- 2026yıl
Kısa özet
Karınca Kolonisi Optimizasyonu (ACO) ile topluluk öğrenmesini (Random Forest, Gradient Boosting, Stacking) birleştiren hibrit bir çerçeve, daha az gösterge kullanarak öğrenci forum tüketim davranışını başarıyla tahmin ediyor; ACO-GB en yüksek doğruluğu (%R2 = 0.8332) elde ediyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Öğrenci forum tüketim davranışını tahmin etmek için hibrit bir ACO-topluluk öğrenmesi çerçevesi geliştirildi.
- ACO, topluluk modelleri için tahmin edici gösterge sayısını dokuzdan yediye veya daha aza indirdi.
- ACO-Gradient Boosting modeli, 0.8332 R2 ile en yüksek tahmin performansını elde etti.
- Seçilen göstergeler davranışsal, bilişsel ve sosyal etkileşim boyutlarını temsil etti.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Student engagement within Learning Management Systems (LMSs) provides valuable behavioural data for understanding and predicting learning outcomes. However, predicting students’ forum consumption behaviour remains challenging because LMS datasets may contain redundant engagement indicators that increase model complexity. This study proposes a hybrid predictive modelling framework that integrates Ant Colony Optimisation (ACO) with three ensemble regression algorithms—Random Forest (RF), Gradient Boosting (GB), and Stacking—to predict forum consumption behaviour using LMS-derived engagement indicators. Guided by Educational Data Mining (EDM) and Social Learning Theory (SLT), behavioural, cognitive, and social engagement dimensions were operationalised using LMS indicators, with Freq_Forum_Consume serving as the target variable. ACO was employed as a wrapper-based feature-selection technique to identify informative predictors before model training. The performance of the ACO–ensemble models was compared with corresponding baseline models using the coefficient of determination (R2), Mean Absolute Error (MAE), and Root Mean Squared Error (RMSE). The results show that ACO reduced the predictor space from nine to six variables for GB and to seven variables for both Stacking and RF, while maintaining or improving predictive performance. ACO-GB achieved the strongest overall performance (R2 = 0.8332, MAE = 55.3173, RMSE = 71.4150). Consistent results across multiple ACO parameter configurations further demonstrated parameter consistency within the tested search settings. The selected predictors represented behavioural, cognitive, and social engagement dimensions, highlighting their complementary contribution to predicting forum consumption behaviour. The proposed framework provides a more parsimonious and interpretable approach to LMS-based learning analytics while retaining predictive performance.
Yazarların özeti; kaynağından alınmıştır. Algorithms, 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