Predicting At Risk Student Performance at the First Quarter Semester Boundary Using Ensemble Learning
Diese Studie schlägt ein Frühwarnungs-Entscheidungsunterstützungsframework vor, das Ensemble-Lernmodelle verwendet, die auf dem OULAD-Datensatz trainiert und mittels SMOTE verbessert wurden, um die Leistung gefährdeter Studierender an der Grenze des ersten Quartals effektiv vorherzusagen, wobei nachgewiesen wird, dass LightGBM eine überlegene Genauigkeit bei der Identifizierung von Studierenden erreicht, die rechtzeitiger akademischer Intervention bedürfen.
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
In der weiten Landschaft der Hochschulbildung stehen Universitäten vor einer beständigen und kostspieligen Herausforderung: die Studierenden auf dem Weg zum Abschluss zu halten. Wenn ein Studierender beginnt, Schwierigkeiten zu bekommen, zeigen sich die Anzeichen oft frühzeitig, verborgen im leisen Rhythmus seiner täglichen digitalen Interaktionen. In den letzten zwei Jahrzehnten hat der Aufstieg von Online-Lernplattformen diese Interaktionen in einen reichen Datenstrom verwandelt. Jedes Mal, wenn ein Studierender sich einloggt, auf einen Link klickt oder eine Aufgabe einreicht, wird ein Datensatz erstellt. Dieses Feld, bekannt als Learning Analytics, versucht, diese digitalen Fußabdrücke sinnvoll zu interpretieren. Durch die Anwendung statistischer Werkzeuge auf diese Daten hoffen Pädagogen, Muster zu erkennen, die signalisieren, dass ein Studierender in Schwierigkeiten gerät, lange bevor eine Endnote erteilt wird. Das Ziel ist nicht, die Zukunft mit Gewissheit vorherzusagen, sondern eine rechtzeitige Warnung auszusprechen, die es Lehrkräften ermöglicht, mit Unterstützung einzugreifen, bevor ein Studierender das Studium abbricht oder durchfällt.
Eine neue Studie von Omara Innocent an der Universal Technology and Management University in Uganda geht dieses Problem an, indem sie eine spezifische Art von Computerprogramm testet, das darauf ausgelegt ist, aus Daten zu lernen. Die Forschung konzentriert sich auf den Beginn eines Semesters, speziell auf das erste Quartal, und stellt die Frage, ob es möglich ist, gefährdete Studierende bereits zu diesem frühen Zeitpunkt zu identifizieren. Zu diesem Zweck verwendete der Forscher eine große, öffentliche Datensammlung der Open University im Vereinigten Königreich, die Aufzeichnungen von tausenden Studierenden, deren Demografie und deren detaillierte Aktivitätsprotokolle aus einer virtuellen Lernumgebung enthält. Der Kern der Studie bestand darin, drei verschiedene Arten fortgeschrittener Computermodelle darauf zu trainieren, diese Daten zu analysieren und zu entscheiden, welche Studierenden wahrscheinlich Erfolg haben werden und welche wahrscheinlich scheitern werden. Diese Modelle sind als Ensemble-Learner bekannt, eine Methode, bei der mehrere einfache Entscheidungsträger kombiniert werden, um einen einzigen, intelligenteren Prädiktor zu bilden. Der Forscher testete drei spezifische Versionen dieser Modelle: Random Forest, XGBoost und LightGBM.
Die Studie ergab, dass ein Modell namens LightGBM die anderen signifikant übertraf. Bei Tests mit den Daten identifizierte dieses Modell gefährdete Studierende mit einem hohen Grad an Genauigkeit und erreichte einen Wert von 0,89 auf einer Skala, bei der höhere Werte besser sind. Es erwies sich zudem als das schnellste Modell und benötigte nur etwa 4,1 Sekunden für das Training auf dem Datensatz, verglichen mit fast 29 Sekunden beim nächstbesten Modell. Die Forschung befasste sich auch mit einem häufigen Problem in diesem Bereich: der Tatsache, dass es in jeder gegebenen Gruppe viel mehr erfolgreiche als scheiternde Studierende gibt. Um dies zu beheben, setzte der Forscher eine Technik namens SMOTE ein, die synthetische Beispiele von gefährdeten Studierenden erstellt, um die Daten auszugleichen. Diese Anpassung war entscheidend; sie half den Modellen dabei, die Minderheitengruppe nicht zu ignorieren, und reduzierte die Anzahl der scheiternden Studierenden, die fälschlicherweise als sicher eingestuft wurden, erheblich. Ohne diesen Schritt wären die Modelle zu schnell davon ausgegangen, dass alle bestehen würden.
Vielleicht war die aufschlussreichste Erkenntnis nicht nur, welches Modell am besten funktionierte, sondern worauf die Modelle bei ihren Entscheidungen tatsächlich acht gaben. Die Computerprogramme legten weit mehr Gewicht auf das Online-Verhalten der Studierenden als auf deren Hintergrund bei der Ankunft. Faktoren wie die Verspätung bei der Abgabe einer Aufgabe, die Häufigkeit des Aufrufens von Quiz-Seiten und die aktive Teilnahme an Diskussionsforen waren die stärksten Prädiktoren für ein Scheitern. Im Gegensatz dazu trugen statische Details wie das Alter, das Geschlecht oder frühere Bildungsleistungen der Studierenden wesentlich weniger zur Vorhersage bei. Dies deutet darauf hin, dass die Art und Weise, wie ein Studierender in den ersten Wochen mit seinen Kursmaterialien interagiert, ein zuverlässigerer Indikator für den zukünftigen Erfolg ist als sein Hintergrund. Die Studie bestätigt, dass Verhaltensdaten, wie etwa der Zeitpunkt eines Klicks oder die Verzögerung bei einer Abgabe, ein klareres Signal für das akademische Risiko liefern als traditionelle demografische Informationen.
Der Forscher schlug auch einen Weg vor, diese Erkenntnisse in die reale Welt zu bringen, ohne die Privatsphäre der Studierenden zu verletzen. Das vorgeschlagene System würde keine Entscheidungen aus sich selbst heraus treffen. Stattdessen würde es als Entscheidungsunterstützungssystem fungieren, das einen sicheren, anonymisierten Alarm an das akademische Personal sendet, wenn ein Studierender Anzeichen zeigt, mit Schwierigkeiten zu kämpfen. Dieser Alarm wäre ein Anstoß für einen menschlichen Berater, Kontakt aufzunehmen, statt ein endgültiges Urteil über das Schicksal des Studierenden zu sein. Das Framework betont, dass die Maschine zwar das Muster erkennen kann, die Intervention jedoch ein menschlicher Akt bleiben muss, der von Ethik und Fürsorge geleitet wird. Die Studie kommt zu dem Schluss, dass diese Werkzeuge zwar leistungsstark sind, aber keine magische Lösung darstellen. Sie funktionieren am besten, wenn sie dazu dienen, das Urteilsvermögen von Pädagogen zu unterstützen, statt es zu ersetzen. Die Ergebnisse bieten einen praktischen Weg für Universitäten auf: Indem sie dem frühen digitalen Verhalten genau Aufmerksamkeit schenken und effiziente Computermodelle nutzen, um diese hervorzuheben, können Institutionen früher intervenieren und so potenziell Studierende vor einem Weg des Scheiterns bewahren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.