Librería Samer Atenea
Kálamo Books
Librería Elías (Asturias)
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Diese Studie stellt ein Framework für maschinelles Lernen vor, mit dem Studierende an der Rwanda Polytechnic in geeignete technische Studiengänge eingeteilt werden können. Anhand von 399 Studierendendaten und 128 lehrplanbezogenen Merkmalen aus den Ergebnissen der nationalen Prüfungen in Ruanda wurden Modelle auf Basis künstlicher neuronaler Netze, XGBoost und Random Forest trainiert und über 13 technische Studiengänge hinweg verglichen. Das künstliche neuronale Netzwerk erzielte eine Testgenauigkeit von 94 % bei minimaler Generalisierungslücke. SHAP-, LIME-, Permutations-Importanz- und Mutual-Information-Analysen wurden verwendet, um Vorhersagen zu erklären und einflussreiche Merkmale zu identifizieren. Die Studie untersucht zudem Klassenungleichgewicht, Fairness, vertrauensbasierte Entscheidungsweiterleitung zwischen Mensch und KI, Dimensionalität, Merkmalsauswahl, Robustheit und die Bedeutung von Ensemble-Merkmalen. Beispiele für ausgearbeitete Empfehlungen veranschaulichen die praktische Anwendung. Zudem wird ein Implementierungsplan vorgeschlagen, der auf die verfügbare institutionelle Hardware abgestimmt ist. Das Rahmenwerk bietet Forschern, Verwaltungsfachleuten und politischen Entscheidungsträgern einen transparenten und praktischen Ansatz für eine verantwortungsvolle, KI-gestützte Zulassung und Platzierung von Studierenden in der technischen und beruflichen Bildung.