A Multi-level Analysis of Factors Associated with Student Performance: A Machine Learning Approach to the SAEB Microdata
यह अध्ययन ब्राजील में 9वीं कक्षा और हाई स्कूल के छात्रों के प्रदर्शन के मुख्य चालक के रूप में व्यक्तिगत विशेषताओं के बजाय प्रणालीगत स्कूल-स्तरीय सामाजिक-आर्थिक कारकों को प्रदर्शित करने के लिए SAEB माइक्रोडेटा पर एक रैंडम फॉरेस्ट मशीन लर्निंग मॉडल का उपयोग करता है, जो न्यायसंगत शैक्षिक नीतियों को डिजाइन करने के लिए एक व्याख्या योग्य उपकरण प्रदान करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि ब्राजील में कुछ छात्र गणित और पुर्तगाली की परीक्षाओं में उत्कृष्ट प्रदर्शन क्यों करते हैं जबकि अन्य संघर्ष करते हैं। लंबे समय से, शोधकर्ता छात्र को एक व्यक्ति के रूप में देखते आए हैं: "क्या उन्होंने कड़ी मेहनत की? क्या उनके पास एक शांत कमरा है? क्या उनकी माँ शिक्षित है?"
यह शोध पत्र कहता है, "रुकिए। आइए केवल एक अकेले छात्र को नहीं, बल्कि पूरी तस्वीर को देखें।" लेखकों ने इस डेटा का विश्लेषण करने के लिए लाखों ब्राजीलियाई छात्रों, शिक्षकों और स्कूलों के डेटा का उपयोग करने के लिए मशीन लर्निंग का उपयोग करके एक विशाल डिजिटल जासूसी उपकरण बनाया।
यहाँ जो उन्होंने पाया है, उसकी कहानी सरल भाषा में दी गई है:
1. जासूसी उपकरण: एक "स्मार्ट फॉरेस्ट" (Smart Forest)
शोधकर्ताओं ने केवल एक कंप्यूटर प्रोग्राम का उपयोग नहीं किया; उन्होंने यह देखने के लिए चार अलग-अलग प्रकार के "स्मार्ट जासूसों" (मशीन लर्निंग एल्गोरिदम) का परीक्षण किया कि कौन सा यह बेहतर भविष्यवाणी कर सकता है कि एक छात्र अच्छा करेगा या खराब।
इन एल्गोरिदम को विभिन्न प्रकार के खेल प्रशिक्षकों (कोच) की तरह समझें:
- XGBoost, LightGBM, और CatBoost: ये विशिष्ट कोचों की तरह हैं जो एक-एक करके छोटी गलतियों को ठीक करने में माहिर हैं, लेकिन वे इस विशिष्ट अध्ययन में डेटा की विशाल मात्रा से भ्रमित हो गए।
- Random Forest: यह एक ऐसे कोच की तरह है जो लोगों की एक पूरी भीड़ (निर्णय वृक्षों का एक "जंगल") से उनकी राय मांगता है और फिर वोट लेता है। यह दृष्टिकोण विजेता साबित हुआ। इसने लगभग 90% बार छात्र के प्रदर्शन की सही भविष्यवाणी की।
2. बड़ा खुलासा: यह "पड़ोस" है, न कि केवल "घर"
एक बार जब "Random Forest" जासूस काम करने लगा, तो शोधकर्ताओं ने उससे पूछा कि उसने अपने अनुमान क्यों लगाए। यहीं पर उन्होंने SHAP नामक एक विशेष उपकरण का उपयोग किया (इसे एक आवर्धक लेंस की तरह समझें जो दिखाता है कि कौन से सुराग सबसे अधिक महत्वपूर्ण थे)।
उन्हें उम्मीद थी कि उन्हें पता चलेगा कि छात्र की व्यक्तिगत आदतें सबसे बड़ा कारक हैं। इसके बजाय, उन्हें कुछ आश्चर्यजनक मिला: छात्र का वातावरण व्यक्तिगत छात्र से अधिक मायने रखता है।
उन्होंने जो पदानुक्रम (hierarchy) खोजा, वह यहाँ दिया गया है, जिसे एक सरल उपमा (analogy) के माध्यम से समझाया गया है:
- स्कूल का "सामाजिक-आर्थिक स्तर" (नंबर 1 कारक): कल्पना कीजिए कि दो छात्रों की अध्ययन की आदतें और घरेलू जीवन बिल्कुल समान हैं। यदि छात्र A एक समृद्ध, अच्छी तरह से संसाधन युक्त पड़ोस के स्कूल में जाता है, और छात्र B एक गरीब, कम संसाधन वाले पड़ोस के स्कूल में जाता है, तो मॉडल भविष्यवाणी करता है कि छात्र A काफी बेहतर प्रदर्शन करेगा। स्कूल के छात्र समूह की "औसत संपत्ति" सफलता का सबसे मजबूत भविष्यवक्ता है।
- "शिक्षक प्रशिक्षण" की दर: वे स्कूल जहाँ अधिक प्रतिशत शिक्षकों के पास उचित प्रशिक्षण होता है, बेहतर प्रदर्शन करते हैं। यह केवल एक सुपर-टीचर के बारे में नहीं है; यह पूरे स्टाफ के सुसज्जित होने के बारे में है।
- "घर" के कारक: हालांकि स्कूल का संदर्भ सर्वोपरि है, फिर भी छात्र का घर मायने रखता है। चीजें जैसे "क्या छात्र के पास कंप्यूटर है?" या "घर में कितने लोग सो रहे हैं?" महत्वपूर्ण हैं, लेकिन वे स्कूल के समग्र पारिस्थितिकी तंत्र की तुलना में गौण हैं।
3. "प्रणालीगत" (Systemic) निष्कर्ष
यह शोध पत्र तर्क देता है कि छात्र का प्रदर्शन केवल एक व्यक्तिगत संघर्ष नहीं है; यह एक प्रणालीगत घटना है।
शिक्षा को एक बगीचे की तरह समझें।
- पुराना दृष्टिकोण: हम व्यक्तिगत फूल (छात्र) पर ध्यान केंद्रित करते थे। यदि कोई फूल मुरझा रहा है, तो हमने केवल उस एक पौधे को पानी देने की कोशिश की।
- नया दृष्टिकोण (यह शोध पत्र): मिट्टी की गुणवत्ता (स्कूल का सामाजिक-आर्थिक संदर्भ) और मौसम (स्कूल के संसाधन और प्रबंधन) यह निर्धारित करते हैं कि सभी फूल कैसे बढ़ेंगे। यदि मिट्टी खराब है, तो सबसे मजबूत बीज भी संघर्ष करेंगे। यदि मिट्टी समृद्ध है, तो कमजोर बीजों के पास भी बेहतर होने की संभावना होगी।
4. "माली" (नीति निर्माताओं) के लिए इसका क्या अर्थ है
लेखक सुझाव देते हैं कि शिक्षा को ठीक करने के लिए, हम केवल संघर्ष कर रहे छात्रों को अतिरिक्त ट्यूशन नहीं दे सकते (व्यक्तिगत फूल को ठीक करना)। इसके बजाय, हमें मिट्टी को ठीक करने की आवश्यकता है।
डेटा सुझाव देता है कि ब्राजील में शिक्षा में सुधार करने का सबसे प्रभावी तरीका यह है:
- स्कूलों के बीच समान अवसर पैदा करना: कम आय वाले क्षेत्रों के स्कूलों को अधिक संसाधन, बेहतर शिक्षक और बुनियादी ढांचा प्रदान करना।
- पारिस्थितिकी तंत्र पर ध्यान केंद्रित करना: नीतियों को केवल व्यक्तिगत छात्रों को ठीक करने के बजाय स्कूलों के बीच के अंतर को लक्षित करना चाहिए।
सारांश
संक्षेप में, इस शोध पत्र ने लाखों ब्राजीलियाई छात्रों को देखने के लिए एक सुपर-स्मार्ट कंप्यूटर मॉडल का उपयोग किया। इसने पाया कि छात्र कहाँ जाता है और उस स्कूल का आर्थिक पृष्ठभूमि, सफलता का सबसे महत्वपूर्ण भविष्यवक्ता है, न कि छात्र के अपने व्यक्तिगत गुण। छात्रों को सफल होने में मदद करने के लिए, हमें केवल "बीजों" को ठीक करने के बजाय स्कूल प्रणाली की "मिट्टी" में सुधार करने की आवश्यकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।