An Optimized Stacking Ensemble Model for Forecasting Student Dropout
Diese Studie präsentiert ein optimiertes Stacking-Ensemble-Modell, das K-Nearest-Neighbor- und Bayesian-Network-Klassifikatoren integriert, welche durch Hyperparameter-Tuning und SMOTE-basierte Ausbalancierung verbessert wurden, was eine Genauigkeit von 85,9 % erreicht und bestehende Methoden übertrifft, um ein effektives Frühwarninstrument für die Vorhersage von Studienabbrüchen bereitzustellen.
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
Jedes Jahr stehen Universitäten weltweit vor einer stillen, aber hartnäckigen Krise: Studierende, die ihr Studium beginnen, es aber nie abschließen. Dieser Schwund ist nicht nur eine persönliche Tragödie für die Betroffenen; er zehrt Ressourcen von den Institutionen ab, senkt die Abschlussquoten und lässt Gemeinschaften ohne die benötigten Fachkräfte zurück. Jahrzehntelang haben Schulen versucht, dieses Problem zu lösen, indem sie Noten und Anwesenheit manuell überprüften, um nach Studierenden zu suchen, die abzurutzen schienen. Diese Methoden sind jedoch oft zu langsam, um einem Studierenden zu helfen, bevor es zu spät ist. In den letzten Jahren haben sich Forscher der Sprungmarke des maschinellen Lernens zugewandt, einem Zweig der Informatik, bei dem Software lernt, Muster in Daten zu erkennen, ohne explizit mit Regeln programmiert zu werden. Indem sie diese Systeme mit historischen Datensätzen von Tausenden von Studierenden füttern, können Computer subtile Warnsignale identifizieren, die menschliche Beobachter übersehen könnten, und so eine Chance zur frühzeitigen Intervention bieten, um die Studierenden auf dem Weg zum Abschluss zu halten.
Ein Team von Forschern der Victoria University in Kampala, Uganda, und der The Unity University in Hargeisa, Somaliland, hat diesen Ansatz weiterentwickelt, indem sie ein neues Typ von Vorhersagesystem entwickelt haben, das speziell für diese Herausforderung konzipiert wurde. Anstatt sich auf einen einzelnen Computer-Algorithmus zu verlassen, um ein Urteil zu fällen, bauten sie ein System, das die Stärken zweier verschiedener Methoden kombiniert. Die erste Methode, bekannt als K-Nearest Neighbors (K-Nächste-Nachbarn), arbeitet, indem sie die Akte eines Studierenden betrachtet und die ähnlichsten vergangenen Studierenden findet, um zu sehen, was bei ihnen geschah. Die zweite Methode, ein Bayes-Netzwerk, berechnet die Wahrscheinlichkeit, dass ein Studierender das Studium abbricht, basierend auf dem komplexen Geflecht von Beziehungen zwischen ihren Noten, ihrem Finanzstatus und ihren persönlichen Umständen. Während jede Methode für sich genommen nützlich ist, stellten die Forscher fest, dass sie manchmal unterschiedliche Dinge in denselben Daten sehen. Um dies zu lösen, entwickelten sie ein „Stacking“-Modell, eine Struktur, in der ein drittes, intelligenteres Programm den Vorhersagen der ersten beiden zuhört und die endgültige Entscheidung trifft. Dieses finale Programm agiert wie ein erfahrener Redakteur, der die Beweise aus beiden Quellen abwägt, um ein zuverlässigeres Urteil zu fällen, als es eine der beiden allein erreichen könnte.
Die Forscher testeten dieses System unter Verwendung einer massiven Sammlung echter Studierendendaten der The Unity University, die die Jahre 2021 bis 2025 abdeckt. Der Datensatz umfasste über 4.400 Studierende und verfolgte sechsunddreißig verschiedene Faktoren, die von der Anzahl der bestandenen Kurse eines Studierenden bis hin zu seinem Finanzstatus und seinem demografischen Hintergrund reichten. Eine große Hürde in dieser Art von Forschung ist, dass die meisten Studierende in der Schule bleiben, während weitaus weniger das Studium abbrechen, was ein ungleiches Spielfeld für den Computer schafft. Um dies zu beheben, nutzte das Team eine Technik, um die Daten künstlich auszubalancieren, wodurch sichergestellt wurde, dass das System lernte, die Warnsignale für einen Studienabbruch genauso gut zu erkennen, wie es lernte, Studierende zu erkennen, die sicher waren. Sie teilten die Daten dann auf, wobei sie den Großteil davon nutzten, um das System zu lehren, und einen Teil zurückhielten, um zu testen, wie gut es bei Studierenden performt, die es zuvor noch nie gesehen hatte.
Die Ergebnisse zeigten, dass das neue kombinierte System tatsächlich dem der einzelnen Methoden überlegen war. Bei Tests identifizierte das Stacking-Modell korrekt, ob ein Studierender das Studium abbrechen oder fortfahren würde, in etwa 86 Prozent der Fälle. Wichtiger noch war, dass es sehr gut darin war, die Studierenden zu erfassen, die tatsächlich gefährdet waren. Es identifizierte korrekt 81 Prozent der Studierenden, die letztendlich das Studium abbrachen – eine entscheidende Kennzahl für Schulen, die versuchen zu intervenieren. Im Vergleich dazu waren die Einzelmethoden und eine einfachere Art, sie zu kombinieren (genannt Soft Voting), weniger genau, da sie mehr gefährdete Studierende übersahen oder jene fälschlicherweise als gefährdet markierten, die eigentlich sicher waren. Die Analyse zeigte auch auf, welche Faktoren am wichtigsten waren: die akademische Leistung, insbesondere die Anzahl der genehmigten Kurse und die kumulativen Noten, war der stärkste Prädiktor, dicht gefolgt von finanziellen Indikatoren wie dem Status der Studiengebühren und der Frage, ob ein Studierender der Institution Geld schuldete.
Diese Studie zeigt, dass Universitäten durch das Verweben verschiedener Arten des maschinellen Lernens ein robusteres Sicherheitsnetz für ihre Studierenden aufbauen können. Das Modell ersetzt keine menschlichen Berater, bietet ihnen aber ein leistungsstarkes Werkzeug, um ihre Bemühungen zu priorisieren. Indem Institutionen die Studierenden identifizieren, die am wahrscheinlichsten das Studium abbrechen werden, bevor sie es tatsächlich tun, können sie Finanzhilfen, akademische Nachhilfe oder Beratung genau in dem Moment anbieten, in dem sie benötigt werden. Während die Forscher anmerken, dass ihr Modell mit Daten einer einzigen Universität trainiert wurde und zukünftige Arbeiten dieses in verschiedenen Regionen und mit fortschrittlicheren Techniken testen sollten, bieten die Ergebnisse einen klaren Weg nach vorn. Sie beweisen, dass es mit der richtigen Kombination aus Daten und Algorithmen möglich ist, das Blatt beim Studierendenabbruch zu wenden und einen reaktiven Prozess der Verwaltung von Studienabbrechern in eine proaktive Strategie zur Beibehaltung von Studierenden in der Ausbildung zu verwandeln.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.