مقاله انگلیسی کاربرد هوش مصنوعی برای مهندسی ویژگی در بخش آموزش و یادگیری علوم

سلام دوست من ، توی این پست براتون یه مقاله انگلیسی رایگان جدید که در دسته مقالات هوش مصنوعی هست، منتشر کردیم. این مقاله یه مقاله ISI و علمی پژوهشی هست که توی پایگاه  الزویر  در سال ۲۰۲۵ منتشر شده. فایل انگلیسی ۸ صفحه PDF هست بخش هایی از مقاله انگلیسی ترجمه شده که قبل از سفارش می تونید کیفیت ترجمه رو بررسی کنید. برای سفارش ترجمه کامل مقاله روی گزینه ثبت سفارش ترجمه کلیک کنید بعد از ثبت سفارش پیش فاکتور از طریق ایمیل و پیامک خدمتتون ارسال میشه. اگر سوالی بود می تونید زیر این پست کامنت بزارید سریع جوابتونو میدم.

عنوان فارسی:

کاربرد هوش مصنوعی برای مهندسی ویژگی در بخش آموزش و یادگیری علوم

عنوان انگلیسی:

Application of artificial intelligence for feature engineering in education sector and learning science

کد محصول: M1771

سال نشر: ۲۰۲۵

نام ناشر (پایگاه داده): الزویر

نام مجله: Alexandria Engineering Journal

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: ندارد

مدل مفهومی: مدل ریاضی دارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی:  ۸ صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:M1771)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده فارسی

در عصر حاضر، فناوری به یک ضرورت مهم در زندگی بشر تبدیل شده است که سبک زندگی را از نظر شخصی و همچنین حرفه ای تغییر داده است. نوآوری‌های متعددی در یک زمان کوتاه پدیدار می‌شوند و تجربیات ما را به یک شکل تحت تأثیر قرار می‌دهند. توسعه اخیر یک فناوری محبوب به نام هوش مصنوعی در حال ایجاد تحولات شگرفی در دنیای دیجیتال است [۱۲]. هوش مصنوعی (AI) یک فناوری در حال رشد است که به تدریج بر هر جنبه ای از اقتصاد و زندگی فردی تأثیر می گذارد. AI به سرعت در صنایع مختلف از جمله آموزش رخنه کرده است. ادغام هوش مصنوعی در آموزش، روش‌های آموزش مربیان یا یادگیری دانش‌آموزان را تغییر می‌دهد. به دلیل خودکارسازی مسئولیت‌های مختلف و بازخورد بلادرنگ، محیط یادگیری مؤثرتر و فراگیرتر شده است [۲۱]. هوش مصنوعی از تجربیات قبلی انسان می آموزد و به طور موثر از طریق ماشین ها از آنها تقلید می کند. پیشرفت های چشمگیر هوش مصنوعی موجب پیشرفت های تکنولوژیکی  در زندگی انسان شده است [۱۷]…

Abstract  

This study investigates the utilization of artificial intelligence (AI) for feature engineering in the education sector, highlighting its potential to enhance individualized learning and improve academic outcomes. The correlation analysis, performed using a correlation matrix of the feature set, indicated that specific pairings of characteristics exhibit a strong association, resulting in the ineffectiveness of conventional models. In order to tackle this issue, we utilized three sophisticated machine learning methodologies: Adaptive Lasso (ALasso), Artificial Neural Networks (ANN), and Support Vector Regression (SVR). The ALasso model discovered several influential characteristics, namely Gender (X5), Education (X1), Hours of Work (X4), and Marital Status (X6), that significantly affect salaries. Subsequently, a comparative evaluation of these methods was conducted using Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE). The results demonstrated that SVR outperformed the other techniques, with the most optimal RMSE of 0.595 and MAE of 0.423. These findings emphasize the significance of using data-driven strategies in policymaking and propose further investigation into the use of AI methods in various educational contexts to improve the identification of features and the performance of models.

Keywords: Artificial Intelligence, Feature Engineering, Education Sector, Machine Learning, Forecasting, Data set

۱. Introduction

In the present age, technology has become an important necessity in human lives. It has altered lifestyles personally as well as professionally. Numerous innovations appear in the blink of an eye influencing our experiences in one way or another. The recent development of a popular technology termed Artificial Intelligence is making waves in the digital world [12]. Artificial Intelligence (AI) is a vastly growing technology that is progressively affecting every aspect of the economy and individual life. It has rapidly transformed itself into various industries including education. The incorporation of AI in education is changing the ways instructors teach or students learn. Due to its automation of different responsibilities and real-time feedback, the learning environment has become more effective and inclusive [21]. AI learns from previous human experiences and efficiently imitates them through machines. Significant AI breakthroughs have brought technological advancements in human life [17]. As Henry Ford enlightens; “innovation does not mean people should focus on developing methods to make horses speedy. It’s about creating automobiles faster or becoming advanced in technologies that are faster than horses. These techniques have developed industries including the education sector” [۶]…

۵.conclusions

The utilization of AI for feature engineering exhibits significant potential in enhancing the education sector and the field of learning science. Through the utilization of sophisticated AI techniques, we have identified crucial attributes that can augment individualized instruction and overall academic outcomes. Upon analyzing the relationships between different aspects, we discovered numerous noteworthy correlations. For instance, we observed a positive correlation of 0.34 between ’W’ and ’X3’, as well as a negative correlation of 􀀀 ۰.۴۴ between ’W’ and ’X8’. The variable ’X1’ shows a positive correlation with ’X6’ (۰.۵۳), while ’X2’ exhibits a negative correlation with ’X3’ (-۰.۶۶). The correlations in the dataset reveal intricate connections between education, industry, work position, gender, training, and various other aspects. The adaptive lasso regression analysis revealed that the factors with the greatest influence on salaries (Y) are X5 (Gender), X1 (Education), X4 (Hours of work), and X6 (Marital Status). Wages are also strongly influenced by X2 (Type of Enterprises), X8 (Occupation), and X7 (Employment Status). In addition, the factors X3 (Industry) and X9 (Training) have significant impacts on salary disparities. These findings highlight the complex and diverse elements that contribute to determining wages, with several factors having a major impact on wage levels…