FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W2746567044> ?p ?o ?g. }

• W2746567044 abstract "The field of education is constantly seeking more innovative and effective methods of teaching foundational knowledge to students. Organizations in both secondary and post-secondary education groups offer Physics Education Groups that try to better teach fundamental physics concepts to students in both university and high school. There are also government agencies such as the Educational Quality and Accountability Office (EQAO) in Ontario, which provides standardized tests to students. Although these standardized tests do not test the full capabilities and thought processes of students, they still provide insights into how students learn. Data from standardized EQAO tests can be analyzed to obtain crucial information about how to improve education standards by showing where resources can be allocated more effectively. One of the most powerful tools that can be used to analyze data is machine learning, which can find patterns and correlations in data that the human eye cannot see. This experiment used the linear regression algorithm to find correlations in data obtained from grade 9 EQAO mathematics tests from 50 schools in Ontario. The algorithm analyzed how students with varying scores answered a multiple-choice questionnaire at the end of the exam, which included statements such as “I am able to answer difficult mathematics questions.” Based on the variables output from the machine learning algorithm, the importance of each statement was then ranked; this ranking can then lead to insights into how students learn, and how to better utilize resources. This experiment has shown that an elementary application of machine learning can lead to valuable insights into student learning and that more should be done to better analyze the abundant data in the education field. Le domaine de l’éducation recherche continuellement des méthodes innovatrices et efficaces pour l’enseignement de connaissances fondamentales aux étudiants. Les organisations de niveau secondaire et post-secondaire offrent des groupes d’éducation en physique qui essaient d’améliorer l’enseignement des concepts fondamentaux en physique aux étudiants à l’université ainsi qu’au secondaire. Il y a également des agences gouvernementales telles que l’Office de la qualité et de la responsabilité en éducation (OQRE) en Ontario, qui offre des tests standardisés aux étudiants. Bien que ces tests standardisés n’évaluent pas la pleine capacité et le processus de réflexion des élèves, ils offrent tout de même un aperçu des méthodes d’apprentissage. Les données des tests standardisés de l’OQRE peuvent être analysés afin d’obtenir des renseignements essentiels quant à la façon d’améliorer les normes d’éducation en démontrant où les ressources peuvent être attribuées plus efficacement. Un des outils les plus puissants qui peut être utilisé pour analyser les données est le l’apprentissage automatique, ce qui peut trouver des tendances et des corrélations à travers les données que l’œil humain ne peut percevoir. Cette expérience a utilisé l’algorithme à régression linéaire afin de trouver des corrélations dans les données obtenues des tests de mathématique de l’OQRE pour la mième année dans 50 écoles en Ontario. L’algorithme a analysé comment les étudiants possédant un résultat différent ont répondu à un questionnaire de questions à choix multiples à la fin de l’examen incluant des énoncés tels que « Je suis en mesure de répondre à des questions mathématiques dif ciles. » Selon les variables produits par l’algorithme d’apprentissage automatique, l’importance de chaque énoncé fut classée; ce classement peut ainsi mener à une compréhension envers l’apprentissage de l’étudiant, et comment maximiser les ressources. Cette expérience a démontré qu’une application élémentaire de l’apprentissage automatique peut mener à de précieux renseignements sur l’apprentissage des étudiants et que plus d’efforts doivent être accomplis afin de faciliter l’analyse des nombreuses données retrouvées dans le domaine de l’éducation." @default.
• W2746567044 created "2017-08-31" @default.
• W2746567044 creator A5028113025 @default.
• W2746567044 date "2017-08-19" @default.
• W2746567044 modified "2023-09-28" @default.
• W2746567044 title "The Application of Machine Learning to Education" @default.
• W2746567044 doi "https://doi.org/10.13034/jsst.v10i1.181" @default.
• W2746567044 hasPublicationYear "2017" @default.
• W2746567044 type Work @default.
• W2746567044 sameAs 2746567044 @default.
• W2746567044 citedByCount "0" @default.
• W2746567044 crossrefType "journal-article" @default.
• W2746567044 hasAuthorship W2746567044A5028113025 @default.
• W2746567044 hasBestOaLocation W27465670441 @default.
• W2746567044 hasConcept C111472728 @default.
• W2746567044 hasConcept C119857082 @default.
• W2746567044 hasConcept C138885662 @default.
• W2746567044 hasConcept C145420912 @default.
• W2746567044 hasConcept C151730666 @default.
• W2746567044 hasConcept C154945302 @default.
• W2746567044 hasConcept C15744967 @default.
• W2746567044 hasConcept C17744445 @default.
• W2746567044 hasConcept C189430467 @default.
• W2746567044 hasConcept C199539241 @default.
• W2746567044 hasConcept C202444582 @default.
• W2746567044 hasConcept C203151758 @default.
• W2746567044 hasConcept C2776007630 @default.
• W2746567044 hasConcept C2777267654 @default.
• W2746567044 hasConcept C2778137410 @default.
• W2746567044 hasConcept C2779530757 @default.
• W2746567044 hasConcept C33923547 @default.
• W2746567044 hasConcept C41008148 @default.
• W2746567044 hasConcept C41895202 @default.
• W2746567044 hasConcept C86803240 @default.
• W2746567044 hasConcept C9652623 @default.
• W2746567044 hasConceptScore W2746567044C111472728 @default.
• W2746567044 hasConceptScore W2746567044C119857082 @default.
• W2746567044 hasConceptScore W2746567044C138885662 @default.
• W2746567044 hasConceptScore W2746567044C145420912 @default.
• W2746567044 hasConceptScore W2746567044C151730666 @default.
• W2746567044 hasConceptScore W2746567044C154945302 @default.
• W2746567044 hasConceptScore W2746567044C15744967 @default.
• W2746567044 hasConceptScore W2746567044C17744445 @default.
• W2746567044 hasConceptScore W2746567044C189430467 @default.
• W2746567044 hasConceptScore W2746567044C199539241 @default.
• W2746567044 hasConceptScore W2746567044C202444582 @default.
• W2746567044 hasConceptScore W2746567044C203151758 @default.
• W2746567044 hasConceptScore W2746567044C2776007630 @default.
• W2746567044 hasConceptScore W2746567044C2777267654 @default.
• W2746567044 hasConceptScore W2746567044C2778137410 @default.
• W2746567044 hasConceptScore W2746567044C2779530757 @default.
• W2746567044 hasConceptScore W2746567044C33923547 @default.
• W2746567044 hasConceptScore W2746567044C41008148 @default.
• W2746567044 hasConceptScore W2746567044C41895202 @default.
• W2746567044 hasConceptScore W2746567044C86803240 @default.
• W2746567044 hasConceptScore W2746567044C9652623 @default.
• W2746567044 hasIssue "1" @default.
• W2746567044 hasLocation W27465670441 @default.
• W2746567044 hasLocation W27465670442 @default.
• W2746567044 hasOpenAccess W2746567044 @default.
• W2746567044 hasPrimaryLocation W27465670441 @default.
• W2746567044 hasRelatedWork W1501584739 @default.
• W2746567044 hasRelatedWork W1524458626 @default.
• W2746567044 hasRelatedWork W1557388607 @default.
• W2746567044 hasRelatedWork W1685636520 @default.
• W2746567044 hasRelatedWork W1901387320 @default.
• W2746567044 hasRelatedWork W2064784735 @default.
• W2746567044 hasRelatedWork W2079202106 @default.
• W2746567044 hasRelatedWork W2083994338 @default.
• W2746567044 hasRelatedWork W2116222560 @default.
• W2746567044 hasRelatedWork W2161392609 @default.
• W2746567044 hasRelatedWork W2232457402 @default.
• W2746567044 hasRelatedWork W2758141819 @default.
• W2746567044 hasRelatedWork W2900026991 @default.
• W2746567044 hasRelatedWork W3042809416 @default.
• W2746567044 hasRelatedWork W3153141521 @default.
• W2746567044 hasRelatedWork W3208326729 @default.
• W2746567044 hasRelatedWork W3210270969 @default.
• W2746567044 hasRelatedWork W2472891247 @default.
• W2746567044 hasRelatedWork W2508498232 @default.
• W2746567044 hasRelatedWork W2525592314 @default.
• W2746567044 hasVolume "10" @default.
• W2746567044 isParatext "false" @default.
• W2746567044 isRetracted "false" @default.
• W2746567044 magId "2746567044" @default.
• W2746567044 workType "article" @default.