Chia sẻ bài báo qua Email ỨNG DỤNG MẠNG NƠRON MỜ ĐA TÁC ĐỘNG TRONG TƯ VẤN HỌC SINH TRUNG HỌC PHỔ THÔNG DỰA TRÊN QUÁ TRÌNH HỌC TẬP
Thông tin bài báo
Ngày nhận bài: 19/03/22 Ngày hoàn thiện: 12/05/22 Ngày đăng: 19/05/22Các tác giả
1. Trần Thị Ngân
, Trường Đại học Thủy lợi2. Nguyễn Thanh Hương, Trường Trung học phổ thông Cổ Loa – Hà Nội
3. Nguyễn Thị Dung, Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên
4. Trần Mạnh Tuấn, Trường Đại học Thủy lợi
Tóm tắt
Việc tư vấn việc chọn ban thi khi thi tốt nghiệp trung học phổ thông và chọn khối trong xét tuyển đại học có ý nghĩa rất quan trọng với học sinh trung học. Định hướng này có ảnh hưởng trực tiếp đến kết quả thi của các em học sinh. Việc tư vấn này giúp học sinh sớm xác định được các môn thi để tập trung vào ôn thi và đạt kết quả tốt nhất. Đồng thời, khi tư vấn khối xét tuyển dựa trên kết quả học tập sẽ giúp cho học sinh lựa chọn khối thi và ngành thi phù hợp để xét tuyển vào đại học. Một số phương pháp tính toán mềm đã được các nhà nghiên cứu áp dụng cho tư vấn hiệu quả nhất. Trong bài báo này, chúng tôi tập trung vào ứng dụng mạng nơron mờ đa tác động trong việc tư vấn học sinh trung học phổ thông khi lựa chọn ban thi và khối xét tuyển dựa trên quá trình học tập của mình. Chúng tôi thử nghiệm dựa trên số liệu thu thập tại trường trung học phổ thông Cổ Loa, Đông Anh, Hà Nội.
Từ khóa
Toàn văn:
PDFTài liệu tham khảo
[1] L. A. Zadeh, “Fuzzy sets,” Information and control, vol. 8, pp. 338-353, 1965.
[2] N. Siddique and H. Adeli, Computational Intelligence: Synergies of Fuzzy Logic, Neural Networks and Evolutionary Computing. Wiley, 2013.
[3] S. Kar, S. Das, and P. K. Ghosh, "Applications of neuro fuzzy systems: A brief review and future outline,” Applied Soft Computing, vol. 15, pp. 243-259, 2014.
[4] N. M. Rusli, Z. Ibrahim, and R. M. Janor, “Predicting students’ academic achievement: Comparison between logistic regression, artificial neural network, and Neuro-fuzzy,” Proceedings of IEEE International Symposium on Information Technology, 2008, pp. 1-6.
[5] J. F. Chen and Q. H. Do, "A cooperative Cuckoo Search–hierarchical adaptive neuro-fuzzy inference system approach for predicting student academic performance," Journal of Intelligent & Fuzzy Systems: Applications in Engineering and Technology, vol. 27, no. 5, pp. 2551-2561, 2014.
[6] B. Abidin and R. M. Dom, “Prediction of Preclinical Academic Performance using ANFIS Model,” International Proceedings of Economics Development & Research, 2012, p. 41.
[7] I. Hidayah, A. E. Permanasari, and N. Ratwastuti, “Student classification for academic performance prediction using neuro fuzzy in a conventional classroom,” Proceedings of the 2013 IEEE International Conference on Information Technology and Electrical Engineering, 2013, pp. 221-225.
[8] H. S. Le, D. L. Nguyen, and V. L. Hoang, “A lossless DEM compression for fast retrieval method using fuzzy clustering and MANFIS neural network,” Engineering Applications of Artificial Intelligence, vol. 29, pp. 33-42, 2014.
[9] S. G. Milan, A. Roozbahani, N. A. Azar, and S. Javadi, “Development of adaptive neuro fuzzy inference system–Evolutionary algorithms hybrid models (ANFIS-EA) for prediction of optimal groundwater exploitation,” Journal of Hydrology, vol. 598, p. 126258, 2021.
[10] K. Siminski, “An outlier–robust neuro–fuzzy system for classification and regression,” International Journal of Applied Mathematics and Computer Science, vol. 31, no. 2, pp. 303-319, 2021.
[11] M. M. Savrun and M. İnci, “Adaptive neuro-fuzzy inference system combined with genetic algorithm to improve power extraction capability in fuel cell applications,” Journal of Cleaner Production, vol. 299, p. 126944, 2021.DOI: https://doi.org/10.34238/tnu-jst.5723
Các bài báo tham chiếu
- Hiện tại không có bài báo tham chiếu