Publikace detail

Global Challenges of Students Dropout: A Prediction Model Development Using Machine Learning Algorithms on Higher Education Datasets

Autoři: Amare Meseret Yihun | Šimonová Stanislava

Rok: 2021

Druh publikace: článek ve sborníku

Název zdroje: SHS Web of Conferences, Volume 129 (2021)

Název nakladatele: EDP Sciences - Web of Conferences

Místo vydání: Les Ulis

Strana od-do: 1-6

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Globální výzvy pro studentská selhání: Vývoj predikčního modelu s využitím algoritmů strojového učení na souborech dat pro vysokoškolské vzdělávání	Východisko: V éře globalizace, nárůst dat ve výzkumných a vzdělávacích komunitách se projevuje ve zvýšení přesnosti analýzy, přispívá k možnostem detekce předčasných odchodů studentů, k predikci akademického stavu a k analýze trendů. Přesnost analýzy je však nízká, pokud kvalita vzdělávacích dat je neúplná. Navíc současné přístupy k predikci výpadků nemohou využívat dostupné zdroje. Účel článku: Článek si klade za cíl vyvinout predikční model pro predikci předčasných odchodů studentů pomocí technik strojového učení. Metody: Studie používala metody strojového učení k identifikaci předčasných odchodů studentů během studia. Výkon různých metod strojového učení byl hodnocen pomocí metod přesnosti, přesnosti, podpory a f-skóre. K vytvoření nejlepšího predikčního modelu byl použit algoritmus, který nejlépe vyhovuje datovým sadám pro tato měření výkonu. Zjištění a přidaná hodnota: Tato studie přispívá k řešení současných globálních problémů studentů, kteří předčasně ukončili studium. Vyvinutý predikční model umožňuje vysokoškolským institucím zaměřit se na studenty, kteří pravděpodobně předčasně ukončí školní docházku, a včas zasáhnout s cílem zlepšit míru udržení a kvalitu vzdělávání. Může také pomoci institucím předem naplánovat zdroje na nadcházející akademický semestr a vhodně je alokovat. Obecně by model předpovědi analýzy učení mohl umožnit vysokoškolským institucím zaměřit se na studenty, kteří pravděpodobně předčasně ukončí studium, a včas zasáhnout, aby se zlepšila míra udržení a kvalita vzdělávání.
eng	Global Challenges of Students Dropout: A Prediction Model Development Using Machine Learning Algorithms on Higher Education Datasets	Research background: In this era of globalization, data growth in research and educational communities have shown an increase in analysis accuracy, benefits dropout detection, academic status prediction, and trend analysis. However, the analysis accuracy is low when the quality of educational data is incomplete. Moreover, the current approaches on dropout prediction cannot utilize available sources. Purpose of the article: This article aims to develop a prediction model for students' dropout prediction using machine learning techniques. Methods: The study used machine learning methods to identify early dropouts of students during their study. The performance of different machine learning methods was evaluated using accuracy, precision, support, and f-score methods. The algorithm that best suits the datasets for these performance measurements was used to create the best prediction model. Findings & value added: This study contributes to tackling the current global challenges of student dropouts from their study. The developed prediction model allows higher education institutions to target students who are likely to dropout and intervene timely to improve retention rates and quality of education. It can also help the institutions to plan resources in advance for the coming academic semester and allocate it appropriately. Generally, the learning analytics prediction model would allow higher education institutions to target students who are likely to dropout and intervene timely to improve retention rates and quality of education.	Globalization; Prediction; Machine Learning; Learning Analytics; Global challenges.

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte