Multidimensional Exploration of Influencing Factors of College Students' Academic Performance: An Empirical Study Based on 18 Machine Learning Algorithms
Diese empirische Studie analysiert Daten von 145 UCI-Studierenden unter Verwendung von 18 Algorithmen des maschinellen Lernens, um zu identifizieren, dass das LightGBM-Modell die akademische Leistung am genauesten vorhersagt, wobei sie aufzeigt, dass persönliche und schulische Bildungsfaktoren (wie Geschlecht, Alter, Teilzeitarbeit und Unterrichtsteilnahme) die primären Treiber des Erfolgs sind, während familiäre Faktoren einen schwächeren Einfluss haben, wodurch die Entwicklung einer interpretierbaren Shiny-Applikation für personalisierte akademische Interventionen ermöglicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, das Rätsel zu lösen, warum manche College-Studenten ihre Prüfungen mit Bravour bestehen, während andere kämpfen. Lange Zeit haben Lehrer und Forscher nur gerätselt, welche Hinweise die Lösung liefern könnten: Liegt es an Ihrer Familie? An Ihrer Persönlichkeit? An Ihrer Schule? Diese Studie beschloss, mit dem Raten aufzuhören und stat�tdessen eine superstarke digitale Detektiv-Truppe einzusetzen, um die wahren Antworten zu finden.
Die Detektiv-Truppe: 18 Algorithmen
Die Forscher sammelten Daten von 145 Studenten der University of California, Irvine. Sie untersuchten 30 verschiedene Hinweise, die von persönlichen Details (wie Alter und Geschlecht) über den familiären Hintergrund (wie die Bildung der Eltern) bis hin zu schulischen Gewohnheiten (wie wie viel man im Unterricht zuhört) reichten.
Um den Fall zu lösen, engagierten sie nicht nur einen einzelnen Detektiv, sondern ein ganzes Team von 18 verschiedenen Machine-Learning-Algorithmen. Stellen Sie sich diese Algorithmen als 18 verschiedene Arten von Detektiven vor: Einige sind wie sorgfältige Buchhalter (Logistische Regression), einige wie mustererkennende Künstler (Neuronale Netze) und andere wie blitzschnelle Ermittler (LightGBM, XGBoost). Sie alle betrachteten denselben Beweisstapel, um zu sehen, wer die Noten eines Studenten am besten vorhersagen konnte.
Der Gewinner: LightGBM
Nachdem die Zahlen ausgewertet wurden, stach ein Detektiv als klarer Champion hervor: LightGBM. Während die anderen Detektive gut waren, war LightGBM praktisch ein Superheld. Es traf die Vorhersage 0,985 Mal von 1 (das sind 98,5 % Genauigkeit!). Es war so konsistent, dass seine Ergebnisse überhaupt nicht schwankten (ein Stabilitätswert von 0). Tatsächlich war es so gut darin, Studenten zu identifizieren, die Gefahr lief, durchzufallen, dass es eine perfekte Punktzahl von 1 für die „Spezifität“ erreichte (was bedeutet, dass es kaum Fehlalarme auslöste).
Die große Enthüllung: Was wirklich zählt
Sobald der LightGBM-Detektiv gewonnen hatte, fragten die Forscher ihn, warum er diese Vorhersagen traf. Sie verwendeten ein spezielles Werkzeug namens SHAP (das wie eine Lupe funktioniert, die genau zeigt, wie viel jeder Hinweis zum endgültigen Urteil beigetragen hat).
Hier ist, was die Lupe enthüllte:
Persönliche Faktoren sind der Chef: Die wichtigsten Hinweise betrafen den Studenten selbst.
- Eine Partnerschaft haben: Dies war der einflussreichste Hinweis. Die Daten legen nahe, dass Studenten ohne Partner tendenziell eine bessere vorhergesagte akademische Leistung zeigten. Es scheint, dass Dating für einige ein wenig ablenkend sein kann!
- Alter: Studenten zwischen 22 und 25 Jahren zeigten die besten Leistungs-Vorhersagen. Jüngere Studenten (unter 22) wurden eher als weniger erfolgreich vorhergesagt, vielleicht weil sie ihren Fokus noch nicht ganz gefunden hatten.
- Geschlecht: Das Modell sagte männliche Studenten etwas besser voraus als weibliche. Die Autoren vermuten, dass dies daran liegen könnte, dass weibliche Studenten manchmal mehr Angst vor Leistungsschwankungen haben, was sie belasten kann.
- Teilzeitarbeit: Überraschenderweise war eine Teilzeitbeschäftigung ein positiver Hinweis! Dies deutet darauf hin, dass das Arbeiten den Studenten hilft, ihr Zeitmanagement zu verbessern und praktische Fähigkeiten zu erlernen.
Schulische Gewohnheiten zählen:
- Zuhören im Unterricht: Wie sehr ein Student im Unterricht zuhört, war ein entscheidender Faktor. Wenn man aufpasst, steigen die Noten.
- Erwartungen: Interessanterweise war eine sehr hohe Erwartung an die Abschlussnote tatsächlich ein negativer Hinweis. Die Studie legt nahe, dass zu hohe Erwartungen Ängste auslösen und die Leistung beeinträchtigen können. Es ist besser, realistische Erwartungen zu haben.
Was nicht viel ausmacht:
- Familiärer Hintergrund: Hier liegt die Wendung. Die Studie fand explizit heraus, dass familiäre Faktoren (wie der Bildungsstand oder die Berufe der Eltern) einen relativ schwachen Einfluss hatten. In der Welt der College-Noten sind die eigenen Entscheidungen und das schulische Umfeld die Hauptakteure, nicht der Stammbaum.
Das „Black-Box“-Problem ist gelöst
Normalerweise sind Computermodelle wie „Black Boxes“ – man gibt Daten ein, ein Ergebnis kommt heraus, aber man hat keine Ahnung, wie der Computer zu der Entscheidung gekommen ist. Diese Studie öffnete die Box. Durch die Verwendung des SHAP-Tools verwandelten sie das Modell in eine „Glass Box“, in der man genau sehen kann, welcher Hebel (wie „Alter“ oder „Teilzeitarbeit“) das Ergebnis nach oben oder unten bewegt hat.
Das magische Werkzeug: Eine Vorhersage-App
Um dies für echte Lehrer nützlich zu machen, entwickelten die Forscher eine kostenlose Online-App (unter Verwendung von etwas namens Shiny). Stellen Sie sich ein Dashboard vor, in dem ein Lehrer die Details eines Studenten eingibt – wie „19 Jahre alt“, „Hat einen Partner“, „Hört im Unterricht zu“ – und die App sofort vorhersagt, ob dieser Student Gefahr läuft, durchzufallen.
Wenn die App „Geringe Zufriedenheit“ oder „Gefährdet“ anzeigt, gibt sie nicht nur ein rotes Licht aus; sie erklärt dem Lehrer auch das Warum. Zum Beispiel könnte sie sagen: „Dieser Student ist gefährdet, weil er einen Partner hat und unter 22 ist.“ Dies ermöglicht es Lehrern, spezifische Ratschläge zu geben, wie etwa den Studenten dabei zu helfen, die Balance zwischen Liebe und Studium zu finden, oder sie dazu zu ermutigen, einen Teilzeitjob aufzunehmen, um das Zeitmanagement zu trainieren.
Das Fazit
Diese Studie hat nicht nur geraten; sie hat gemessen. Sie bewies, dass zwar der familiäre Hintergrund Teil der Geschichte ist, die Hauptcharaktere der Erfolgsgeschichte im College jedoch die Studenten selbst sind (ihr Alter, ihre Beziehungen, ihre Arbeitsgewohnheiten) und wie sie sich in der Schule verhalten (Zuhören, Management der Erwartungen). Durch den Einsatz des besten digitalen Detektivs (LightGBM) und einer klaren Lupe (SHAP) haben wir nun eine viel deutlichere Landkarte, um Studenten zum Erfolg zu verhelfen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.