Жэнь, С
Ren X., Cand. Sci. (Tech.), Associate Professor at the Department of Infocommunication Technologies
В высшем образовании академическая успеваемость студентов рассматривается как важный образовательный результат. Поэтому повышение академической успеваемости является актуальной задачей для многих учреждений высшего образования. Прогнозирование и классификация успеваемости студентов могут предоставить ценную информацию и способствовать разработке соответствующих стратегий для улучшения академических результатов. В последние годы методы интеллектуального анализа данных широко применяются и демонстрируют значительные успехи в задачах классификации и прогнозирования. В статье представлен и проанализирован набор данных об успеваемости студентов EASP. Для классификации и прогнозирования академической успеваемости студентов применены семь методов машинного обучения: мультиномиальный наивный байесовский классификатор, метод опорных векторов, дерево решений, логистическая регрессия, случайный лес, градиентный бустинг и метод k-ближайших соседей. Эффективность этих методов оценивалась с использованием прецизионности, полноты, площади под ROC-кривой (AUC) и F1-меры. Экспериментальные результаты показали, что логистическая регрессия достигает наилучшей прогнозной эффективности на тестовой выборке EASP с прецизионностью 0,75.
In higher education, student academic performance is considered a key educational outcome. Consequently, improving academic performance is a pressing objective for many higher education institutions. Predicting and classifying student performance can provide valuable insights and facilitate the development of appropriate strategies to enhance academic results. In recent years, data mining methods have been widely applied and have demonstrated significant success in classification and prediction tasks. This article presents and analyzes the EASP student performance dataset. Seven machine learning methods were applied to classify and predict student academic performance: Multinomial Naïve Bayes, Support Vector Machines, Decision Trees, Logistic Regression, Random Forest, Gradient Boosting, and k-Nearest Neighbors. The performance of these methods was evaluated using precision, recall, the area under the ROC curve (AUC), and the F1-score. Experimental results demonstrated that Logistic Regression achieved the best predictive performance on the EASP test set, with a precision of 0.75.
The authors declare that there are no conflicts of interest present.