Predicting At Risk Student Performance at the First Quarter Semester Boundary Using Ensemble Learning
यह अध्ययन OULAD डेटासेट पर प्रशिक्षित और SMOTE के साथ उन्नत एन्सेम्बल लर्निंग मॉडल्स का उपयोग करते हुए एक प्रारंभिक-चेतावनी निर्णय-सहायता ढांचे का प्रस्ताव करता है, जो पहली तिमाही की सीमा पर जोखिम वाले छात्र प्रदर्शन की प्रभावी ढंग से भविष्यवाणी करने में सक्षम है, और यह प्रदर्शित करता है कि LightGBM समय पर शैक्षणिक हस्तक्षेप की आवश्यकता वाले छात्रों की पहचान करने में बेहतर सटीकता प्राप्त करता है।