Prediksi Awal Profil Siswa berdasarkan Preferensi Game Menggunakan Algoritma Artificial Neural Networks dan BayesNet

Abstract

Untuk memdapatkan hasilnya, siswa dihadapkan dengan menunjukkan bahwa belajar gamified dapat digunakan untuk melibatkan siswa dan membantu mereka tampil lebih baik. Namun, sebagian besar penelitian menggunakan pendekatan one-size-fits-all untuk gamification, di mana perbedaan dan kebutuhan individual diabaikan. Dalam penelitian sebelumnya, kami mengidentifikasi empat jenis siswa yang menghadiri kursus perguruan tinggi yang dicirikan, ditandai oleh berbagai tingkat kinerja, keterlibatan dan perilaku. Dalam makalah ini kami menyajikan eksperimen baru di mana kami mempelajari data apa yang paling tepat mencirikan masing-masing jenis siswa kami dan menjelajahi jika data ini dapat digunakan untuk memprediksi jenis siswa di awal kursus. Untuk tujuan ini kami menggunakan algoritma machine-learning untuk mengklasifikasikan data siswa dari satu istilah dan memprediksi jenis siswa pada istilah lain. Kami mengidentifikasi dua set fitur yang relevan yang paling menggambarkan jenis kami, yang hanya berisi pengukuran kinerja dan lainnya yang juga berisi data mengenai preferensi permainan siswa. Hasil menunjukkan bahwa kinerja saja dapat digunakan untuk memprediksi jenis siswa dengan akurasi 79% dengan ujian tengah semester. Namun, akurasinya meningkat ketika dipasangkan dengan data permainan pada tahap awal kursus. Dalam penelitian ini kami dengan jelas menggambarkan temuan kami dan mendiskusikan pelajaran dari eksperimen ini.