Klasyfikacja wyników studentów kierunków inżynierskich w kształceniu online z wykorzystaniem uczenia maszynowego: aspekty afektywne, poznawcze i behawioralne Autorzy: Gulsum Asiksoy, Didem İslek Streszczenie: W szybko rozwijającym się środowisku nauczania online trafne przewidywanie wyników studentów odgrywa istotną rolę w podnoszeniu jakości kształcenia i poprawie ogólnych osiągnięć edukacyjnych. W niniejszym badaniu przeanalizowano skuteczność algorytmów uczenia maszynowego w klasyfikowaniu wyników studentów uczestniczących w kursach internetowych na podstawie czynników afektywnych, poznawczych i behawioralnych. Celem było opracowanie skuteczniejszych strategii dydaktycznych i działań wspierających sukces edukacyjny studentów. Do trenowania i oceny sześciu algorytmów uczenia maszynowego wykorzystano zbiór danych obejmujący 485 studentów kierunków inżynierskich, którzy uczestniczyli w zajęciach z fizyki astronomicznej na prywatnym uniwersytecie w semestrach jesiennym i wiosennym roku akademickiego 2022–2023. Przeanalizowano następujące algorytmy: maszyny wektorów nośnych (SVM), metodę k najbliższych sąsiadów (KNN), naiwny klasyfikator bayesowski (NB), regresję logistyczną, drzewo decyzyjne i las losowy. Najwyższą dokładność klasyfikacji (87%) osiągnął algorytm lasu losowego, prawidłowo przyporządkowując 87% studentów do jednej z trzech kategorii wyników: wysokich, średnich lub niskich. Ponadto ustalono, że lęk i oczekiwania są czynnikami najsilniej wpływającymi na poprawę wyników studentów w kursach online, natomiast najmniejszy wpływ ma izolacja społeczna. Wyniki wskazują, że uczenie maszynowe umożliwia skuteczną klasyfikację osiągnięć studentów w kształceniu online nawet przy wykorzystaniu ograniczonej liczby cech, dzięki czemu nauczyciele akademiccy mogą udoskonalać strategie dydaktyczne i działania wspierające studentów.