ترجمه فارسی مقاله شناسایی دانش آموزان ناموفق در تمرینات امنیت سایبری در دو محیط آموزشی مختلف

چکیده

This full paper in the research track evaluates the usage of data logged from cybersecurity exercises in order to predict students who are potentially at risk of performing poorly. Hands-on exercises are essential for learning since they enable students to practice their skills. In cybersecurity, hands-on exercises are often complex and require knowledge of many topics. Therefore, students may miss solutions due to gaps in their knowledge and become frustrated, which impedes their learning. Targeted aid by the instructor helps, but since the instructor’s time is limited, efficient ways to detect struggling students are needed. This paper develops automated tools to predict when a student is having difficulty. We formed a dataset with the actions of 313 students from two countries and two learning environments: KYPO CRP and EDURange. These data are used in machine learning algorithms to predict the success of students in exercises deployed in these environments. After extracting features from the data, we trained and cross-validated eight classifiers for predicting the exercise outcome and evaluated their predictive power. The contribution of this paper is comparing two approaches to feature engineering, modeling, and classification performance on data from two learning environments. Using the features from either learning environment, we were able to detect and distinguish between successful and struggling students. A decision tree classifier achieved the highest balanced accuracy and sensitivity with data from both learning environments. The results show that activity data from cybersecurity exercises are suitable for predicting student success. In a potential application, such models can aid instructors in detecting struggling students and providing targeted help. We publish data and code for building these models so that others can adopt or adapt them.

چکیده به فارسی (ترجمه ماشینی)

این مقاله کامل در مسیر تحقیق ، استفاده از داده های ثبت شده از تمرینات امنیت سایبری را به منظور پیش بینی دانش آموزانی که به طور بالقوه در معرض خطر عملکرد ضعیف هستند ، ارزیابی می کند.تمرینات دستی برای یادگیری ضروری است زیرا دانش آموزان را قادر می سازد مهارت های خود را تمرین کنند.در امنیت سایبری ، تمرینات دستی غالباً پیچیده است و نیاز به دانش بسیاری از موضوعات دارد.بنابراین ، دانش آموزان ممکن است راه حل ها را به دلیل شکاف در دانش خود از دست بدهند و ناامید شوند ، که این امر مانع یادگیری آنها می شود.کمک های هدفمند توسط مربی کمک می کند ، اما از آنجا که زمان مربی محدود است ، روش های کارآمد برای تشخیص دانش آموزان مبارز لازم است.این مقاله ابزارهای خودکار را برای پیش بینی زمان دانش آموز ایجاد می کند.ما یک مجموعه داده با اقدامات 313 دانش آموز از دو کشور و دو محیط یادگیری تشکیل دادیم: KYPO CRP و Edurange.این داده ها در الگوریتم های یادگیری ماشین برای پیش بینی موفقیت دانش آموزان در تمرینات مستقر در این محیط ها استفاده می شود.پس از استخراج ویژگی ها از داده ها ، ما برای پیش بینی نتیجه ورزش ، هشت طبقه بندی کننده را آموزش داده و متقاطع کردیم و قدرت پیش بینی آنها را ارزیابی کردیم.سهم این مقاله مقایسه دو رویکرد برای مهندسی ، مدل سازی و عملکرد طبقه بندی در داده های دو محیط یادگیری است.با استفاده از ویژگی های هر دو محیط یادگیری ، ما توانستیم بین دانش آموزان موفق و مبارز تشخیص دهیم و تمایز قائل شویم.طبقه بندی کننده درخت تصمیم به بالاترین دقت و حساسیت متعادل با داده های هر دو محیط یادگیری دست یافت.نتایج نشان می دهد که داده های فعالیت از تمرینات امنیت سایبری برای پیش بینی موفقیت دانش آموزان مناسب است.در یک کاربرد بالقوه ، چنین مدلهایی می تواند به مربیان در تشخیص دانش آموزان مبارز و ارائه کمک های هدفمند کمک کند.ما داده ها و کد را برای ساخت این مدل ها منتشر می کنیم تا دیگران بتوانند آنها را اتخاذ یا تطبیق دهند.