Multidimensional Exploration of Influencing Factors of College Students' Academic Performance: An Empirical Study Based on 18 Machine Learning Algorithms
Este estudio empírico analiza datos de 145 estudiantes de la UCI utilizando 18 algoritmos de aprendizaje automático para identificar que el modelo LightGBM predice con mayor exactitud el rendimiento académico, revelando que los factores personales y de educación escolar (como el género, la edad, el trabajo a tiempo parcial y la escucha en clase) son los principales impulsores del éxito, mientras que los factores familiares tienen un impacto más débil, permitiendo así el desarrollo de una aplicación Shiny interpretable para intervenciones académicas personalizadas.