Применение методов машинного обучения для выявления взаимосвязи академической успеваемости и данных профиля социальной сети
https://doi.org/10.26907/1562-5419-2019-22-2-95-118
Аннотация
Предложена модель машинного обучения для выявления взаимосвязи между данными профиля социальной сети и академической успеваемости учащегося, а также прогнозирования среднего балла успеваемости по данным параметрам.
Ключевые слова
машинное обучение,
социальные сети,
психометрия,
академическая успеваемость,
образование,
абитуриент
Об авторах
И. Р. Ихсанов
Высшая школа информационных технологий и интеллектуальных систем Казанского (Приволжского) федерального университета
Россия
Россия
И. С. Шахова
Высшая школа информационных технологий и интеллектуальных систем Казанского (Приволжского) федерального университета
Россия
Россия
Список литературы
1. Pritchard M. Using Emotional and Social Factors to Predict Student Success // Journal of College Student Development. 2003. V. 44, No 1. P. 18–28.
2. What your Facebook likes say about you. URL: https://www.cbc.ca/ news/technology/facebook-likes-like-a-gift-1.3893298.
3. Психометрический вступительный экзамен в Израиле // Официальный сайт путеводителя по Израилю. URL: https://guide-israel.ru/country/ 37376-psixometricheskij- vstupitelnyj- ekzamen/.
4. Shuotian B., Tingshao Z., Li C. Big-Five Personality Prediction Based on User Behaviors at Social Network Sites // Cornell University, Tech. Rep. 2012.
5. Friedrichsen M., Mühl-Benninghaus W. Handbook of Social Media Managment Value Chain and Business Models in changing media marketing. Springer-Verlag Berlin Heidelberg, 2013. 880 p.
6. Junco R. Too much face and not enough books: The relationship between multiple indices of Facebook use and academic performance // Computers in Human Behavior. 2012. V. 28, No 1. P. 187–198.
7. Junco R. The relationship between frequency of Facebook use, participation in Facebook activities, and student engagement Received // Magazine Computers & Education. 2012. V. 58, No 1. P. 162–171.
8. Kosinski M., Stillwell D., Graepel T. Private traits and attributes are predictable from digital records of human behavior // Magazine PNAS. 2013. V. 110, No 15. P. 5802–5805.
9. Мацута В.В., Киселев П.Б., Фещенко А.Б., Гойко В.Л., Сузанова Е.А., Степаненко А.А. Методы и инструменты выявления перспективных абитуриентов в социальных сетях // Открытое и дистанционное образование. 2017. № 4. C. 45–52.
10. Penetration of leading social networks in Russia as of 4th quarter 2017 // Statistica. URL: https://www.statista.com/statistics/284447/russia-social-network-penetration/.
11. Мотивы проявления студентами колледжей социальной активности в социальных сетях: регионального аспекта // Электронный научный архив УрФУ. URL: http://elar.urfu.ru/bitstream/ 10995/59123/1/978-5-91256-403-1_2018_053.pdf.
12. Cоциальная сеть Вконтакте. URL: https://vk.com/.
13. Политика конфиденциальности VK.com // Cоциальная сеть Вконтакте. URL: https://vk.com/privacy.
14. VK.com python API wrapper // GitHub. URL: https://github.com/ voronind/vk.
15. Kaggle. URL: https://www.kaggle.com/.
16. What are outliers in the data // Engineering statistics handbook. URL: https://www.itl.nist.gov/div898/handbook/prc/section1/prc16.htm.
17. Histograms and density plots in python // Towards data science. URL: https://towardsdatascience.com/histograms-and-density-plots-in-python-f6bda88f5ac0.
18. How to normalize and standardize your machine learning data in weka // Machine learning mastery. URL: https://machinelearningmastery.com/normalize- standardize-machine-learning-data-weka/.
19. Generalized Linear Models // Scikit-learn. URL: https://scikit-learn.org/ stable/supervised_learning.html.
20. Overfitting vs underfitting: a conceptual explanation // Towards data science. URL: https://towardsdatascience.com/overfitting-vs-underfitting-a- conceptual-explanation-d94ee20ca7f9.
21. Что такое кросс-валидация // Data Science. URL: http://datascientist. one/cross-validation/.
22. What is the difference between a parameter and a Hyperparameter? // Machine Learning Mastery. URL: https://machinelearningmastery.com/difference- between-a-parameter-and-a-hyperparameter/.
Рецензия
Для цитирования:
Ихсанов И.Р., Шахова И.С. Применение методов машинного обучения для выявления взаимосвязи академической успеваемости и данных профиля социальной сети. Электронные библиотеки. 2019;22(2):95-118. https://doi.org/10.26907/1562-5419-2019-22-2-95-118
For citation:
, Machine learning methods for determining the relationship between academic success and data of social network profile. Russian Digital Libraries Journal. 2019;22(2):95-118. (In Russ.) https://doi.org/10.26907/1562-5419-2019-22-2-95-118
Просмотров:
23
Послать статью по эл. почте 