Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms

Stellen Sie sich eine Universität wie einen großen, geschäftigen Garten vor. Das Ziel ist es, jeder Pflanze (den Studierenden) zu helfen, stark zu wachsen und in voller Blüte aufzugehen (den Abschluss zu erreichen). Doch manchmal beginnen Pflanzen zu welken oder aufzuhören zu wachsen, bevor sie bereit sind. In der Vergangenheit bemerkten die Gärtner (das Universitätspersonal) erst dann, dass eine Pflanze in Schwierigkeiten war, wenn sie bereits gelb wurde oder ihre Blätter abwarf. Zu diesem Zeitpunkt war es oft schon zu spät, um sie zu retten.

Dieses Papier handelt davon, ein smartes Wettervorhersagesystem für diesen Garten zu bauen. Anstatt zu warten, bis die Blätter gelb werden, nutzten die Forscher Computerprogramme (Maschinelles Lernen), um im Voraus zu schauen, welche Pflanzen Schwierigkeiten haben könnten.

Hier ist eine einfache Aufschlüsselung dessen, was sie getan haben und was sie herausgefunden haben:

Das Problem: Der „späte Alarm“

Universitäten verlieren Geld und Ansehen, wenn Studierende vorzeitig aufhören. Derzeit versuchen Schulen, den Studierenden zu helfen, indem sie Beratung oder Nachhilfe anbieten, aber dies geschieht oft reaktiv. Es ist, als würde man einen Arzt erst rufen, nachdem man sich bereits das Bein gebrochen hat. Die Forscher wollten einen Weg finden, den Bruch vorherzusagen, bevor er passiert, damit sie frühzeitig eine Gipsbinde (Unterstützung) anbieten können.

Das Werkzeug: Die „Kristallkugel“-Algorithmen

Die Forscher sammelten Daten von der Sydney International School of Technology and Commerce (SISTC). Sie betrachteten 2.405 Datensätze von Studierenden, bereinigten diese jedoch so, dass sie sich auf 1.027 Studierende konzentrierten, die entweder ihr Studium abgeschlossen oder es abgebrochen hatten.

Sie fütterten diese Daten in vier verschiedene „Kristallkugeln“ (Algorithmen des Maschinellen Lernens), um zu sehen, welche die Zukunft am besten vorhersagen konnte:

1. Logistische Regression: Ein einfacher, geradliniger Rechner, der verschiedene Faktoren abwägt.
2. Random Forest: Ein Team aus vielen Entscheidungsträgern (wie ein Komitee von Experten), die über das Ergebnis abstimmen.
3. K-Nearest Neighbors (KNN): Eine Methode, die sich die „Nachbarn“ eines Studierenden ansieht (Studierende mit ähnlichen Noten und Hintergründen), um zu erraten, was ihm passieren wird.
4. Support Vector Machines (SVM): Eine Methode, die eine Linie zieht, um „Absolventen“ von „Abbrechern“ zu trennen.

Die Zutaten: Worauf haben sie geachtet?

Um ihre Vorhersagen zu treffen, betrachtete der Computer 14 spezifische Hinweise, wie zum zum Beispiel:

• Akademische Historie: Wie viele Fächer sie bestanden, durchgefallen oder ausgelassen haben.
• Demografie: Ihr Alter, Geschlecht, Nationalität und Visumstyp.
• Zeit: Wie lange sie bereits studierten und wie oft sie einen Kurs wiederholt hatten.

Die Ergebnisse: Wer hat das Rennen gewonnen?

Die Forscher testeten diese „Kristallkugeln“, um zu sehen, wie genau sie waren. Die Ergebnisse waren überraschend hoch:

• Die Gewinner: Logistische Regression und SVM (Linearer Kern) waren die Champions. Sie erreichten eine Genauigkeit von 99 %. Das bedeutet, sie waren fast perfekt darin, vorherzusagen, welche Studierenden ihr Studium abschließen und welche aufhören werden.
• Der Zweitplatzierte: Random Forest war ebenfalls sehr stark mit 98,7 %.
• Die anderen: KNN und die komplexere Version der SVM waren ebenfalls gut, aber etwas weniger genau (etwa 96–97 %).

Was die „Kristallkugel“ ihnen sagte

Als die Forscher untersuchten, warum die Gewinnmodelle ihre Vorhersagen trafen, fanden sie einige interessante Muster:

• Visumtyp: Studierende mit einem Standard-„Studentenvisum“ (Student Visa) gingen viel wahrscheinlicher aus, um ihr Studium zu beenden.
• Nationalität: Die Daten zeigten, dass Studierende aus Pakistan in diesem spezifischen Datensatz eine höhere Wahrscheinlichkeit hatten, ihr Studium abzubrechen, im Vergleich zu anderen.
• Noten: Die Anzahl der Fächer, in denen ein Student durchgefallen ist, war ein großes Warnsignal. Je mehr sie durchfielen, desto höher war das Risiko, dass sie aufhörten.
• Kurswahl: Studierende im Programm „Master of IT“ waren eher geneigt, zu bleiben und abzuschließen.

Die Sicherheitsprüfung

Die Forscher waren sorgfältig mit der Privatsphäre umgegangen. Sie entfernten alle Namen und persönlichen Details aus den Daten und behandelten die Studierenden wie anonyme Nummern. Sie merkten auch ein potenzielles Problem an: Wenn die Daten nicht genügend Beispiele für bestimmte Gruppen (wie spezifische Geschlechter oder Nationalitäten) enthalten, könnte der Computer voreingenommen sein. Sie schlugen vor, dies in der Zukunft zu überprüfen.

Das Fazeneit

Diese Studie beweist, dass Universitäten durch die Nutzung einfacher Mathematik und Computermodelle wie proaktive Gärtner handeln können. Anstatt darauf zu warten, dass ein Student versagt, können sie Daten nutzen, um die Warnsignale frühzeitig zu erkennen. Die Studie fand heraus, dass einfache Modelle (Logistische Regression und lineare SVM) tatsächlich die besten Werkzeuge für diese Aufgabe sind und eine 99-prozentige Chance bieten, Studierende korrekt zu identifizieren, die Hilfe benötigen, bevor sie aufhören.

Die Forscher schlagen vor, dass Schulen in Zukunft noch mehr Details hinzufügen könnten – wie etwa wie sehr ein Student am Unterricht teilnimmt oder seine Hausaufgaben-Gewohnheiten – um diese Vorhersagen noch präziser zu machen, aber für den Moment leistet der aktuelle Datensatz bereits eine fantastische Arbeit.