REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
RECIBIDO 20/06/2023 ● ACEPTADO 08/09/2023 ● PUBLICADO 30/09/2023
RESUMEN
Debido a la pandemia mundial por Covid-19, se instauró la educación online en el aprendizaje de
los estudiantes. Sin embargo, la efectividad de esta modalidad, así como la adaptabilidad de los
estudiantes es algo que puede depender de algunos factores. En ese sentido, el presente artículo
de investigación presenta una descripción del uso de árboles de decisión para determinar la
adaptabilidad de estudiantes en la educación online, usando para ello un dataset de 1205
registros con datos como el tipo de conexión e internet, dispositivo, condición financiera, entre
otros datos importantes. Así mismo, se empleó herramientas como Google Colab, Python y
librerías populares en trabajos similares de Inteligencia artificial y Machine Learning. El modelo
del árbol de decisión elaborado tuvo una precisión y exactitud de 92%.
Palabras claves:
Inteligencia artificial, aprendizaje automático, árboles de decisión, Python,
clasificación, educación en línea.
Walter Huaracha Condori
Universidad Nacional de San Agustín.
Arequipa, Perú.
whuaracha@unsa.edu.pe
https://orcid.org/0000-0002-4155-235X
Luis Emanuel Araoz Valencia
Universidad Nacional de San Agustín.
Arequipa, Perú.
laraozv@unsa.edu.pe
https://orcid.org/0000-0003-4274-6380
Víctor Raúl Quispe Quicaña
Universidad Nacional de San Agustín.
Arequipa, Perú.
vquispequic@unsa.edu.pe
https://orcid.org/0000-0003-2294-0215
Alex Ronaldo Turpo Coila
Universidad Nacional de San Agustín.
Arequipa, Perú.
aturpoco@unsa.edu.pe
https://orcid.org/0000-0002-6306-0137
ARK: ark:/42411/s12/a113
DOI: 10.48168/innosoft. s12.a113
PURL: 42411/s12/a113
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
167
ABSTRACT
Due to the global pandemic by Covid-19, online education was established in student learning.
However, the effectiveness of this modality, as well as the adaptability of the students, is
something that may depend on some factors. In this sense, this research article presents a
description of the use of decision trees to determine the adaptability of students in online
education, using a dataset of 1205 records with data such as the type of connection and internet,
device, condition. financial, among other important data. Likewise, tools such as Google Colab,
Python and popular libraries were used in similar works of Artificial Intelligence and Machine
Learning.
Keywords:
Artificial Intelligence, Machine Learning, decision trees, Python, classification, online
education.
INTRODUCCIÓN
En la actualidad tras haber vivido una situación pandémica, todos hemos sido testigos de la
virtualización en múltiples campos laborales, incluyendo el campo de la educación, por lo cual, se
ha generado diferentes percepciones en los que se destacan calidad, aprendizaje, entre otras [1].
En ese sentido, existe la necesidad de conocer los niveles de adaptabilidad de los estudiantes al
estudio virtual tanto en el nivel escolar como el universitario, sin embargo el definir cómo los
estudiantes se adaptan a la virtualidad depende de muchos factores, y los que los se han llegado
a considerar esta vez son: Tipo de Internet disponible, tipo de conexión, condición financiera,
locación del estudiante, tipo de institución y nivel de educación [2].
La Inteligencia Artificial según Minsky [3] es el “estudio de cómo programar computadoras que
posean la facultad de hacer aquello que la mente humana puede realizar”. En nuestros días la IA
es un tema de gran importancia, ya que aborda muchos aspectos de las tendencias actuales. El
uso de IAs es muy diverso y en la actualidad tiene muchas posibilidades de aplicación en múltiples
áreas como la robótica, las ciencias sociales, como apoyo en ciencias empresariales, y también
en el área de la educación [4].
Para realizar un análisis de los datos contenidos en el dataset [2] es necesaria la aplicación de
minería de datos. En [5] hace mención a la minería de datos como una herramienta apropiada
para el tratamiento de grandes cantidades de datos, por medio de la aplicación de la estadística
y matemática determinar patrones y tendencias que nos permitan entender el comportamiento
de estos datos y poder generar conocimiento.
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
168
La minería de datos reúne un conjunto de técnicas tales como: regresión logística, redes
bayesianas, redes neuronales, árboles de decisión entre otros. Actualmente existe un gran interés
por aplicar las técnicas de minería de datos al ámbito educativo, generando la creación de Minería
de Datos Educativa, una comunidad de investigación educativa que busca analizar y explorar
datos de entornos educativos con el fin de entender mejor el desempeño y las condiciones de
aprendizaje de los estudiantes [6].
La clasificación que emplea árboles de decisión es una de las que más se usan como un modelo
predictivo [5], además de que esta técnica de minería de datos es un método rápido y eficaz para
la categorización de un conjunto de datos. Dicho de otra manera, esta técnica permite clasificar
una población en un modelo de segmentos de tipo ramas que construyen un árbol invertido, el
cual será utilizado para predecir una variable objetivo [7]. Un árbol de decisión contiene en su
estructura nodos internos, nodos de probabilidad, nodos hojas y arcos, estos serán recorridos
según se vaya evaluando las condiciones hasta llegar a un nodo hoja el cual devuelve una
decisión.
Ante lo expuesto previamente, el presente trabajo tiene como objetivo el desarrollo de un sistema
de clasificación del nivel de adaptabilidad de estudiantes frente a la educación online. En ese
sentido, se hace uso de árboles de decisión, una de las diferentes técnicas de la Inteligencia
Artificial, aplicada a un dataset de 1205 registros de estudiantes y que toma en consideración
diferentes factores de la situación de los estudiantes en la educación en línea. De tal manera, al
aplicar la técnica de árboles de decisión, se pueda determinar si el nivel de adaptabilidad del
estudiante es bajo, moderado o alto.
Revisión de la literatura
En el trabajo de Chiok[6] se hace uso de cuatro técnicas de minería de datos como son: regresión
logística, árboles de decisión, redes neuronales y redes bayesianas a un conjunto de 914 datos
de muestra. Estos datos académicos fueron tomados de estudiantes matriculados en el curso de
Estadística General de la UNALM de los semestres 2013 II y 2014 I, a partir de estos datos poder
predecir la clasificación final que puede obtener un estudiante (Aprobado o Desaprobado) cuando
este tenga que matricularse en el curso. Realizó un análisis de los resultados obtenidos en cada
una de las técnicas de minería de datos por medio de la aplicación de métricas a partir de un
matriz de confusión. Del análisis de resultado concluyó que la técnica de clasificación red Naive
de Bayes obtuvo un atasa de clasificación de 71.0%.
Suzan[8] aplica 6 técnicas de clasificación de Machine Learning siendo estas: árbol de decisión,
bosque aleatorio, redes de Naive Bayes, support vector machine, K-Nearest Neighbors y redes
neuronales a un dataset que contienen datos recolectados por medio de formularios de encuesta
enviados a estudiantes de los diferentes niveles educativos, estos formularios. Como resultado
final de la comparación y análisis de los resultados obtenidos independientemente de cada
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
169
técnica, con un 89.63% el algoritmo de Random Forest (Bosque aleatorio) fue el mejor de los
algoritmos de clasificación.
Mediante el trabajo realizado por Dazhong Wu [14] se buscó realizar un sistema de aprendizaje
automático en la nube mediante Análisis Predictivo, para esto se busco el uso como herramienta
el algoritmo del Bosque Aleatorio el cual analiza el desgaste de procesos, Los resultados del uso
de este algoritmo han demostrado que el algoritmo de bosque aleatorio puede generar
predicciones muy precisas acelerando el proceso del aprendizaje dando razones al uso del
Machine Learning mediante el Análisis Predictivo.
Finalmente el trabajo realizado por Chen Tan y Jianzhong Lin [15] en la que se presenta un
modelo predictivo basado en QoE que detecta aspectos técnicos de la enseñanza y e-learning
para evaluar el desempeño de sistemas de educación virtual en la pandemia de COVID-19
utilizando algoritmos de minería de datos. Sus resultados mostraron que el modelo de predicción
sugerido cumple los factores de exactitud del 98.3%, precisión del 98.8% y recuerdo de 99.3%
al predecir los aspectos conductuales de la enseñanza y el aprendizaje electrónico para los
estudiantes en los sistemas de educación virtual.
Materiales
Descripción del Dataset
Género
Figura 1. Distribución por género
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
172
Condición Financiera
Figura 6. Distribución por condición financiera
Herramientas
Librerías
Pandas
Librería de Python que se especializa en el manejo y análisis de estructuras de datos. Permite
leer y escribir fácilmente ficheros en formato CSV, Excel y SQL siendo perfecto para manejo y
desarrollo de datasets y para el manejo de Machine Learning .
Numpy
Paquete utilizado para el uso de Machine Learning debido a que esta librería proporciona una
estructura de datos de matriz que tiene algunos beneficios sobre las listas regulares de Python.
los cuales son: ser más compacto, acceso rápido a los procesos de lectura y escritura, y más
eficiente.
Sklearn
La librería scikit-learn o sklearn, es un conjunto de rutinas escritas en Python usada para realizar
análisis predictivo, incluyendo clasificadores, algoritmos de clusterización, entre otros, los cuales
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
173
están basado en los paquetes NumPy, SciPy y matplotlib permitiendo normalizar, transformar y
discretizar variables.
Google Colab
Es una herramienta que nos proporciona Google permitiéndonos escribir y ejecutar código Python
desde el navegador, siendo de gran ayuda y utilidad para trabajos de aprendizaje automático.
Los recursos de este son limitados lo cual es necesario para que Colab pueda dar dichos recursos
gratuitamente, siendo prohibidas las acciones asociadas a operaciones informáticas en bloques.
Python
Es un lenguaje de programación interpretado de alto nivel que se utiliza para el desarrollo de
aplicaciones de todo tipo, no es necesaria su compilación para ejecutarlo, sino que se ejecutan
directamente por el ordenador usando un interpretador, por esto mismo no es necesario que sea
traducido a lenguaje máquina.
Método o Metodología Computacional
Árbol de decisión (del inglés “Decision Tree”, AD)
Es el algoritmo más utilizado porque proporciona un método rápido y eficaz de categorización de
conjuntos de datos que es fácilmente comprensible e implementado en comparación con otros
algoritmos de clasificación [7]. Un árbol de decisión se construye como una estructura de árbol
de diagrama de flujo en la que cada nodo interno representa una prueba de una característica y
los nodos de las hojas representan la salida final correspondiente [8]. La estructura del AD
comienza con un nodo raíz y consiste en dividir los datos en subconjuntos cada vez más pequeños
que contienen instancias de valores similares. Los árboles de decisión se construyen a partir de
la estrategia de “Divide y Vencerás”. donde cada uno de los atributos se van asignando a los
nodos de manera recursiva y descendente [6].
La entropía [9] es una medida de desorden o incertidumbre, el objetivo de los modelos de
aprendizaje automático y los científicos de datos en general es reducir la incertidumbre. La
entropía puede calcularse por medio de la siguiente fórmula:
Donde:
, define la probabilidad de que ocurra un evento.
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
174
La ganancia de información [10] se puede definir como una medida de cuánta información
proporciona una característica sobre una clase. La obtención de información ayuda a determinar
el orden de los atributos en los nodos de un árbol de decisión. Se puede expresarse de la siguiente
manera:
En [11] se mencionan algunas ventajas y desventajas de un AD, estos son:
Ventajas de un AD
• Simple de entender, interpretar, visualizar.
• Los árboles de decisión llevan a cabo de forma implícita la filtración de variables o
la selección de funciones.
• Puede manejar datos numéricos y categóricos.
• También puede manejar problemas de múltiples salidas.
• Los árboles de decisión requieren relativamente poco esfuerzo por parte de los
usuarios para la preparación de datos.
• Las relaciones no lineales entre parámetros no afectan el rendimiento del árbol.
Desventajas de un AD
• Los aprendices de árboles de decisión pueden crear árboles demasiado complejos
que no generalizan bien los datos. Esto se llama sobreajuste.
• Los árboles de decisión pueden ser inestables porque pequeñas variaciones en los
datos pueden generar un árbol completamente diferente. Esto se denomina varianza
, que debe reducirse mediante métodos como bagging y boosting.
• Los algoritmos codiciosos no pueden garantizar la devolución del árbol de decisión
globalmente óptimo. Esto se puede mitigar entrenando múltiples árboles, donde las
características y las muestras se muestrean aleatoriamente con reemplazo.
• Los aprendices de árboles de decisión crean árboles sesgados si dominan algunas
clases. Por lo tanto, se recomienda equilibrar el conjunto de datos antes de ajustarlo
al árbol de decisión.
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
175
Fuente de Información
La fuente de información fue basada en el dataset “Students Adaptability Level in Online
Education”, accedido en el sitio web Kaggle [2]. Este mismo dataset fue la base para otro trabajo
de investigación que comparaba diversas técnicas de Machine Learning [8]. En ese sentido, el
dataset cuenta con 1205 registros y 14 atributos, los cuales se detallan en la Tabla 1.
Tabla 1. Atributos del Dataset fuente utilizado
Variable
Descripción
Valores
Gender
Género del estudiante
Girl (0), Boy (1)
Age
Rango de edad del estudiante
1 - 5 (0), 6 - 10 (1), 11 - 15
(2), 16 - 20 (3), 21 - 25 (4), 26
- 30 (5), 30+ (6)
Education Level
Nivel de educación del estudiante
School (0), College (1),
University (2)
Institution Type
Tipo de institución educativa
Non Government Ins (0),
Government Ins (1)
IT Student
Es estudiante de Tecnologías de la
Información
No (0), Yes (1)
Location in Town
Si el estudiante estudia en la ciudad
No (0), Yes (1)
Load-Shedding
Nivel de carga eléctrica
Low (0), High (1)
Financial Condition
Condición financiera de la familia del
estudiante
Poor (0), Mid (1), Rich (2)
Internet Type
Tipo de internet usado mayormente en el
dispositivo que utiliza el estudiante
2G (0), 3G (1), 4G (2)
Network Type
Tipo de conectividad de red usado en el
equipo que utiliza el estudiante
Mobile Data (0), Wifi (1)
Class Duration
Duración diaria de las clases del estudiante
0 (0), 1 - 3 Hours (1), 3 - 6
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
176
Hours (2)
Self LMS
La institución educativa cuenta con un
Sistema para el Manejo del Aprendizaje
(LMS) propio
No (0), Yes (1)
Device
Tipo de dispositivo utilizado por el
estudiante para acceder a clases
Tab (0), Mobile (1), Computer
(2)
Adaptability Level
Nivel de adaptabilidad de los estudiantes
(variable de salida o dependiente)
Low (0), Moderate (1), High (2)
Tratamiento de datos
El dataset mencionado anteriormente, fue cargado en la herramienta Colab. No obstante, antes
de aplicar la técnica de Árboles de Decisión, es necesario el preprocesamiento de los datos para
verificar y/o corregir valores vacíos (missing). En ese sentido, dicho preprocesamiento se realizó
mediante código en la herramienta Colab.
Figura 7. Verificación de valores missing
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
177
Figura 8. Verificación de desbalance de datos de salida
Transformación de datos
Una vez que los datos han sido tratados, en el caso de los árboles de decisión, los datos
respectivos de cada campo deben ser numéricos. En el caso del dataset utilizado, existían campos
que eran categóricos, por lo que se procedió a transformarlos en valores numéricos.
Implementación de modelo
Finalmente, se aplica el modelo empleando los árboles de decisión. Todo ello mediante código en
Python y en el entorno de Google Colab. Mediante este paso, se obtendrá el árbol de decisión
correspondiente al dataset utilizado, con el cual se podrá determinar, de acuerdo a los valores de
los campos, el nivel de adaptabilidad del estudiante en la educación en línea.
Analisis y Discusion
Para examinar la eficiencia del árbol de decisión propuesto fueron considerados los siguientes
factores predictivos principales que incluyen precisión, exactitud, exhaustividad, F1 score.
En la tabla 2 observamos los valores de la matriz de confusión obtenida al realizar las predicciones
de nuestro modelo y compararlas con los valores reales. A partir de estos valores podremos
obtener las variables TP(True Positive), TN(True Negative), FP(False Positive), FN(False Negative)
que serán necesarias para calcular los parámetros de predicción de la tabla 3.
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
178
Tabla 2. Matriz de confusión
High
Low
Moderate
High
14
0
4
Low
0
87
8
Moderate
1
6
121
Tabla 3. Parámetros de predicción
Parámetros de predicción
Resultados
Precisión del modelo
0.921161825726141
Accuracy Score
0.921161825726141
Exhaustividad del modelo
0.921161825726141
F1 Score del modelo
0.921161825726141
Al ejecutar la función classification_report() en nuestro modelo la tabla 4 que nos genera la
precisión, exhaustividad, y f1-score para cada clase objeto. Al mismo tiempo de esto, además
tiene algunos valores extra: Exactitud, macro avg y weighted avg.
Tabla 4. Reporte de clasificación
Precisión
Exhaustividad
F1-score
Support
High
0.93
0.78
0.85
18
Low
0.94
0.92
0.93
95
Moderate
0.91
0.95
0.93
128
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
179
Exactitud
0.92
241
Macro avg
0.93
0.88
0.90
241
Weighted avg
0.92
0.92
0.92
241
Conclusión
El árbol de decisión es una de las técnicas de minería de datos que pueden ser aplicados para
realizar un análisis predictivo, además de ser una técnica fácil de entender y aplicar. En el
desarrollo del trabajo se realizó la limpieza y el preprocesamiento de los datos para poder realizar
el entrenamiento del modelo de árbol de decisión el cual obtuvo una precisión de 0.92. El uso de
las diferentes herramientas y librerías de python permitieron que las diferentes fases de análisis
del dataset se desarrollen de manera óptima. Como trabajo futuro se deja la implementación de
un modelo propiamente para cada nivel de educación (escuela, colegio, universidad).
Contribución de Autoría
Luis Emanuel Araoz Valencia: Conceptualización, Análisis formal, Investigación, Visualización,
Metodología, Software, Validación, Redacción - borrador original, Curación de datos, Escritura,
revisión y edición. Walter Huaracha Condori: Conceptualización, Análisis formal, Investigación,
Visualización, Metodología, Software, Validación, Redacción - borrador original, Curación de
datos, Escritura, revisión y edición. Víctor Raúl Quispe Quicaña: Conceptualización, Análisis
formal, Investigación, Visualización, Metodología, Software, Validación, Redacción - borrador
original, Curación de datos, Escritura, revisión y edición. Alex Ronaldo Turpo
Coila: Conceptualización, Análisis formal, Investigación, Visualización, Metodología, Software,
Validación, Redacción - borrador original, Curación de datos, Escritura, revisión y edición.
Referencias
[1]
R. P. S. Elizabeth, «PERCEPCIONES DE LA EDUCACIÓN VIRTUAL EN
CONFINAMIENTO,» 19 Agosto 2021. [En línea]. Available:
http://201.159.222.95/bitstream/123456789/2251/1/RODRIGUEZ%20PONCE%
20SUSANA%20ELIZABETH.pdf. [Último acceso: Junio 2022].
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
180
[2]
M. H. Suzan, «Students Adaptability Level in Online Education,» Abril 2022. [En
línea]. Available:
https://www.kaggle.com/datasets/mdmahmudulhasansuzan/students-
adaptability-level-in-online-education. [Último acceso: Junio 2022].
[3]
M. Minsky, «The age of Intelligent Machines: Thoughts About Artificial
Intelligence,» KurzweilAl.net., 1990.
[4]
Ocaña-Fernández, Yolvi, Luis Alex Valenzuela-Fernández, y Luzmila Lourdes
Garro-Aburto. "Artificial Intelligence and Its Implications in Higher Education."
Propósitos Y Representaciones 7.2 (2019).
[5]
B. Díaz-Landa, R. Meleán-Romero y W. Marín-Rodriguez, "Rendimiento académico
de estudiantes en Educación Superior: predicciones de factores influyentes a
partir de árboles de decisión", Telos Revista de Estudios Interdisciplinarios en
Ciencias Sociales, vol. 23, n.º 3, pp. 616–639, septiembre de 2021. Accedido el
19 de agosto de 2022. [En línea]. Disponible:
https://doi.org/10.36390/telos233.08
[6]
C. H. Menacho Chiok, "Predicción del rendimiento académico aplicando técnicas
de minería de datos", Anales Científicos, vol. 78, n.º 1, p. 26, junio de 2017.
Accedido el 19 de agosto de 2022. [En línea]. Disponible:
https://doi.org/10.21704/ac.v78i1.811
[7]
P. E. Ramírez, «Predicción de la Deserción Académica en una Universidad Pública
Chilena a través de la Clasificación basada en Árboles de Decisión con Parámetros
Optimizados,» 26 Enero 2018. [En línea]. [Último acceso: Junio 2022].
[8]
M. Hasan Suzan, N. A. Samrin, A. A. Biswas y A. Pramanik, "Students'
Adaptability Level Prediction in Online Education using Machine Learning
Approaches", en 2021 12th International Conference on Computing
Communication and Networking Technologies (ICCCNT), Kharagpur, India, 6–8
de julio de 2021. IEEE, 2021. Accedido el 20 de agosto de 2022. [En línea].
Disponible: https://doi.org/10.1109/icccnt51525.2021.9579741
REVISTA INNOVACIÓN Y SOFTWARE VOL 4 Nº 2 Septiembre - Febrero 2023 ISSN Nº 2708-0935
181
[9]
S. T. "Entropy: How Decision Trees Make Decisions". Medium.
https://towardsdatascience.com/entropy-how-decision-trees-make-decisions-
2946b9c18c8 (accedido el 14 de agosto de 2022).
[10]
C. Ayuya. "Entropy and Information Gain to Build Decision Trees in Machine
Learning". Engineering Education (EngEd) Program | Section.
https://www.section.io/engineering-education/entropy-information-gain-
machine-learning/ (accedido el 14 de agosto de 2022).
[11]
P. Gupta. "Decision Trees in Machine Learning". Medium.
https://towardsdatascience.com/decision-trees-in-machine-learning-
641b9c4e8052 (accedido el 14 de agosto de 2022).
[12]
Shanna S. Jaggars, «Adaptability to Online Learning: Differences Across Types of
Students and Academic Subject Areas» February 2013 [En LInea]
https://academiccommons.columbia.edu/doi/10.7916/D82N59NB
[13]
M. L Garg , ”Predictive Analytics: A Review of Trends and Techniques” July 2018
[En Linea] https://www.researchgate.net/profile/Vaibhav-Kumar-
16/publication/326435728_Predictive_Analytics_A_Review_of_Trends_and_Tech
niques/links/5c484f6692851c22a38a6027/Predictive-Analytics-A-Review-of-
Trends-and-Techniques.pdf
[14]
Dazhong W. “Cloud-Based Machine Learning for Predictive Analytics: Tool Wear
Prediction in Milling” 2016 [En Linea]
https://www.researchgate.net/profile/Soundar-
Kumara/publication/313456166_Cloud-
Based_Machine_Learning_for_Predictive_Analytics_Tool_Wear_Prediction_in_Mil
ling/links/605fbecc92851cd8ce6fbc07/Cloud-Based-Machine-Learning-for-
Predictive-Analytics-Tool-Wear-Prediction-in-Milling.pdf
[15]
Tan, C., Lin, J. A new QoE-based prediction model for evaluating virtual education
systems with COVID-19 side effects using data mining. Soft Comput (2021).
https://doi.org/10.1007/s00500-021-05932-w
