Прогнозирование академической успеваемости студентов в высшем образовании на основе методов машинного обучения

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.

1. Rasli A., Fei Z., Abas I. H., Tee M., Prestianawati S. A., Lajuma S., et al. (2024) A Framework for Higher Education Institutions Sustainability: A Multi-Method Study. Journal of Infrastructure, Policy and Development. 8 (5). https://doi.org/10.24294/jipd.v8i5.3566.

2. Daka H., Changwe R. (2020) An Exploration of Education Quality in the Light of the Grade Point Average and Examination Attrition Rate. International Journal of Humanities Social Sciences and Education. 7 (6), 196–207. http://dx.doi.org/10.20431/2349-0381.0706021.

3. Zou T., Zhang Y., Zhou B. (2022) Does GPA Matter for University Graduates' Wages? New Evidence Revisited. PLoS One. 17 (4). https://doi.org/10.1371/journal.pone.0266981.

4. Bai C. E., Chi W., Qian X. (2014) Do College Entrance Examination Scores Predict Undergraduate GPAs? A Tale of Two Universities. China Economic Review. 30, 632–647.

5. Meda S. A., Gueorguieva R. V., Pittman B., Rosen R. R., Aslanzadeh F., Tennen H., et al. (2017) Longitudinal Influence of Alcohol and Marijuana Use on Academic Performance in College Students. PLoS One. 12 (3). https://doi.org/10.1371/journal.pone.0172213.

6. Wider W., Tanucan J. C. M., Lin J., Jiang L., Udang L. N. (2023) Who Makes a Better University Adjustment Wingman: Parents or Friends? PLoS One. 18 (12). https://doi.org/10.1371/journal.pone.0294658.

7. Bottia M. C., Giersch J., Mickelson R. A., Stearns E., Moller S. (2015) Distributive Justice Antecedents of Race and Gender Disparities in First-Year College Performance. Social Justice Research. 29 (1), 35–72.

8. Nonis S. A., Hudson G. I. (2006) Academic Performance of College Students: Influence of Time Spent Studying and Working. Journal of Education for Business. 81 (3), 151–159.

9. Albreiki B., Zaki N., Alashwal H. (2021) A Systematic Literature Review of Students' Performance Prediction Using Machine Learning Techniques. Education Sciences. 11 (9). https://doi.org/10.3390/educsci11090552.

10. Yağcı M. (2022) Educational Data Mining: Prediction of Students' Academic Performance Using Machine Learning Algorithms. Smart Learning Environments. 9. https://doi.org/10.1186/s40561-022-00192-z.

11. Dutt A., Ismail M. A., Herawan T. (2017) A Systematic Review on Educational Data Mining. IEEE Access. 5, 15991–16005. https://doi.org/10.1109/ACCESS.2017.2654247.

12. Mansur B. F., Yusof N. (2018) The Latent of Student Learning Analytic with K-Mean Clustering for Student Behaviour Classification. Journal of Information Systems Engineering and Business Intelligence. 4 (2), 156–161. https://doi.org/10.20473/JISEBI.4.2.156-161.

13. Hasan H. M. R., Rabby A. S. A., Islam M. T., Hossain S. A. (2019) Machine Learning Algorithm for Student's Performance Prediction. 2019 10th International Conference on Computing, Communication and Networking Technologies. 1–7. https://doi.org/10.1109/ICCCNT45670.2019.8944629.

14. Salah H. A., Akeel A. W., Khalaf H. A. (2020) Student Performance Prediction Model Based on Supervised Machine Learning Algorithms. IOP Conference Series: Materials Science and Engineering. 928 (3). https://doi.org/10.1088/1757-899X/928/3/032019.

15. Effects of Alcohol on Student Performance Dataset. Available: https://www.kaggle.com/datasets/joshuanaude/effects-of-alcohol-on-student-performance.