Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: https://open.mgimo.ru/handle/123456789/22843
Название: Data-Driven Teacher Assessment with Random Forests and SVM for Effective Pedagogical Management
Оценка работы учителей на основе данных с использованием случайных лесов и SVM для эффективного педагогического управления
Авторы: Babu, J.K.
Shcherbakova, N.
Shichiyakh, R.
Anuchina, O.
Tagibova, A.
Rudresh, S.
Бабу, Дж. К.
Щербакова, Н.
Шичиях, Р.
Анучина, О.
Тагибова, А.
Рудреш, С.
Ключевые слова: teacher assessment
random forests
SVM
pedagogical management
data-driven evaluation
professional development
human resource management
school autonomy
constructive feedback
educational leadership
оценка учителей
случайные леса
SVM
педагогическое управление
оценка на основе данных
профессиональное развитие
управление человеческими ресурсами
автономия школ
конструктивная обратная связь
образовательное лидерство
Дата публикации: 2025
Библиографическое описание: Babu J. K., Shcherbakova N., Shichiyakh R., Anuchina O., Tagibova A., Rudresh S. Data-Driven Teacher Assessment with Random Forests and SVM for Effective Pedagogical Management. 2025. https://doi.org/10.1109/icctdc64446.2025.11158878
Бабу Дж. К., Щербакова Н., Шичиях Р., Анучина О., Тагибова А., Рудреш С. Оценка работы учителей на основе данных с использованием случайных лесов и SVM для эффективного педагогического управления. 2025. https://doi.org/10.1109/icctdc64446.2025.11158878
Аннотация: Financial and human resource management, as well as supervision of instruction and learning, are growingly significant responsibilities of school administrators as school autonomy expands. Programs for professional development and evaluation of teachers are two aspects of human resource management that school administrators in many countries oversee. Pedagogical management is enhanced when school leaders are able to assess teachers effectively, provide them constructive criticism, and link professional development with institutional objectives. Word segmentation, data cleaning, and annotation are employed in this work. Features are extracted using TF -IDF. The suggested approach boosts F1-score, recall, accuracy, and precision by merging SVM and RF classification techniques. The research compares the hybrid SVRF model to several machine learning approaches to evaluating educators. The SVRF model achieves a higher accuracy rate than competing classification approaches, coming in at 99.46%. Recall, accuracy, and F1-score, which are evaluation metrics, were all enhanced by the model. The study emphasises the use of modern machine learning approaches to assess educators, leading to more effective school management. Using hybrid categorisation systems, school leaders can enhance the quality of instruction and the accuracy of evaluations. These results show that in order for teachers to have meaningful professional development, data-driven evaluations are necessary.
Управление финансовыми и человеческими ресурсами, а также надзор за обучением и преподаванием становятся все более значимыми обязанностями школьных администраторов по мере расширения автономии школ. Программы профессионального развития и оценки учителей являются двумя аспектами управления человеческими ресурсами, которыми руководят школьные администраторы во многих странах. Педагогическое управление улучшается, когда школьные лидеры могут эффективно оценивать учителей, давать им конструктивную обратную связь и связывать профессиональное развитие с результатами оценки.
URI: https://open.mgimo.ru/handle/123456789/22843
Располагается в коллекциях:Статьи сотрудников МГИМО во внешних журналах

Файлы этого ресурса:
Нет файлов, ассоциированных с этим ресурсом.


Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.