Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms
यह शोध पत्र रणनीतिक संस्थागत निर्णय लेने में सहायता के लिए शैक्षणिक, जनसांख्यिकीय और नामांकन डेटा का उपयोग करके छात्र क्षय (एट्रिशन) की भविष्यवाणी करने हेतु मशीन लर्निंग एल्गोरिदम के अनुप्रयोग की जांच करता है, जिसमें विशेष रूप से लॉजिस्टिक रिग्रेशन और लीनियर एसवीएम (SVM) मॉडल की बेहतर सटीकता पर प्रकाश डाला गया 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 एक विश्वविद्यालय एक बड़े, व्यस्त बगीचे की तरह है। लक्ष्य यह है कि हर छात्र (पौधों) को मजबूत होने और पूर्ण प्रस्फुटन (स्नातक होने) तक पहुँचने में मदद मिले। हालाँकि, कभी-कभी पौधे मुरझाने लगते हैं या तैयार होने से पहले ही बढ़ना बंद कर देते हैं। अतीत में, माली (विश्वविद्यालय कर्मचारी) केवल तभी ध्यान देते थे जब पौधा पहले से ही पीला पड़ चुका होता या उसके पत्ते गिर चुके होते। तब तक, उसे बचाना अक्सर बहुत कठिन हो जाता था।
यह शोध पत्र उस बगीचे के लिए एक स्मार्ट मौसम पूर्वानुमान प्रणाली बनाने के बारे में है। पत्तियों के पीले पड़ने का इंतज़ार करने के बजाय, शोधकर्ताओं ने कंप्यूटर प्रोग्रामों (मशीन लर्निंग) का उपयोग किया ताकि वे यह अनुमान लगा सकें कि कौन से पौधे संघर्ष कर सकते हैं, और वह भी पहले ही।
यहाँ उन्होंने क्या किया और उन्हें क्या मिला, इसका एक सरल विवरण दिया गया है:
समस्या: "देर से बजने वाला अलार्म"
जब छात्र जल्दी पढ़ाई छोड़ देते हैं, तो विश्वविद्यालय धन और प्रतिष्ठा दोनों खोते हैं। वर्तमान में, स्कूल छात्रों की मदद करने के लिए काउंसलिंग या ट्यूशन की पेशकश करते हैं, लेकिन वे अक्सर यह काम प्रतिक्रियात्मक (reactive) रूप से करते हैं। यह बिल्कुल वैसा ही है जैसे पैर टूटने के बाद डॉक्टर को बुलाना। शोधकर्ता एक तरीका खोजना चाहते थे जिससे टूटने से पहले ही चोट का पता लगाया जा सके ताकि समय पर सहारा (कास्ट) दिया जा सके।
उपकरण: "क्रिस्टल बॉल" एल्गोरिदम
शोधकर्ताओं ने सिडनी इंटरनेशनल स्कूल ऑफ टेक्नोलॉजी एंड कॉमर्स (SISTC) से डेटा एकत्र किया। उन्होंने 2,405 छात्र रिकॉर्ड देखे, लेकिन उन्होंने डेटा को साफ किया और केवल उन 1,027 छात्रों पर ध्यान केंद्रित किया जिन्होंने या तो अपनी पढ़ाई पूरी की थी या पढ़ाई छोड़ दी थी।
उन्होंने इस डेटा को चार अलग-अलग "क्रिस्टल बॉल्स" (मशीन लर्निंग एल्गोरिदम) में डाला ताकि यह देखा जा सके कि कौन सा भविष्य को सबसे अच्छी तरह से देख सकता है:
- लॉजिस्टिक रिग्रेशन (Logistic Regression): एक सरल, सीधी रेखा वाला कैलकुलेटर जो विभिन्न कारकों का वजन करता है।
- रैंडम फॉरेस्ट (Random Forest): कई निर्णय लेने वालों की एक टीम (जैसे विशेषज्ञों की एक समिति) जो परिणाम पर मतदान करती है।
- के-नियरएस्ट नेबर्स (KNN): एक विधि जो छात्र के "पड़ोसियों" (समान ग्रेड और पृष्ठभूमि वाले छात्र) को देखती है ताकि अनुमान लगाया जा सके कि उनके साथ क्या होगा।
- सपोर्ट वेक्टर मशीन (SVM): एक विधि जो "स्नातकों" को "ड्रॉपआउट्स" से अलग करने के लिए एक रेखा खींचती है।
सामग्री: उन्होंने किन चीजों को देखा?
अपनी भविष्यवाणियों को बनाने के लिए, कंप्यूटर ने 14 विशिष्ट सुरागों को देखा, जैसे:
- शैक्षणिक इतिहास: उन्होंने कितने विषय पास किए, फेल हुए या छोड़े।
- जनसांख्यिकी (Demographics): उनकी आयु, लिंग, राष्ट्रीयता और वीजा प्रकार।
- समय: वे कितनी देर से पढ़ाई कर रहे थे और उन्होंने कितनी बार कोई कोर्स दोहराया।
परिणाम: दौड़ में कौन जीता?
शोधकर्ताओं ने इन "क्रिस्टल बॉल्स" का परीक्षण किया कि वे कितने सटीक थे। परिणाम आश्चर्यजनक रूप से उच्च थे:
- विजेता: लॉजिस्टिक रिग्रेशन और SVM (लीनियर कर्नेल) चैंपियन थे। उन्हें 99% सटीकता मिली। इसका मतलब है कि वे लगभग पूर्ण रूप से अनुमान लगाने में सक्षम थे कि कौन से छात्र पढ़ाई पूरी करेंगे और कौन छोड़ देंगे।
- उपविजेता: रैंडम फॉरेस्ट भी 98.7% के साथ बहुत मजबूत था।
- अन्य: KNN और अधिक जटिल SVM संस्करण भी अच्छे थे, लेकिन थोड़े कम सटीक (लगभग 96-97%) थे।
"क्रिस्टल बॉल" ने उन्हें क्या बताया
जब शोधकर्ताओं ने देखा कि विजेता मॉडल ने अपनी भविष्यवाणियाँ क्यों कीं, तो उन्हें कुछ दिलचस्प पैटर्न मिले:
- वीजा प्रकार: मानक "स्टूडेंट वीजा" वाले छात्र पढ़ाई पूरी करने की बहुत अधिक संभावना रखते थे।
- राष्ट्रीयता: डेटा ने दिखाया कि इस विशिष्ट डेटासेट में पाकिस्तान के छात्रों के पढ़ाई छोड़ने की संभावना अन्य लोगों की तुलना में अधिक थी।
- ग्रेड: छात्र ने कितने विषय फेल किए, यह एक बहुत बड़ा चेतावनी संकेत (red flag) था। वे जितने अधिक विषयों में फेल होते, उनके छोड़ने का जोखिम उतना ही अधिक होता।
- कोर्स का चुनाव: "मास्टर ऑफ आईटी" कार्यक्रम के छात्र पढ़ाई जारी रखने और इसे पूरा करने की अधिक संभावना रखते थे।
सुरक्षा जाँच
शोधकर्ता गोपनीयता के प्रति सावधान थे। उन्होंने सभी नाम और व्यक्तिगत विवरण हटा दिए, जिससे छात्रों को गुमनाम नंबरों की तरह माना गया। उन्होंने यह भी नोट किया कि एक संभावित समस्या यह है कि यदि डेटा में कुछ समूहों (जैसे विशिष्ट लिंग या राष्ट्रीयता) के उदाहरण पर्याप्त नहीं हैं, तो कंप्यूटर पक्षपाती हो सकता है। उन्होंने भविष्य में इसकी जाँच करने का सुझाव दिया।
मुख्य निष्कर्ष
यह अध्ययन सिद्ध करता है कि सरल गणित और कंप्यूटर मॉडल का उपयोग करके, विश्वविद्यालय सक्रिय माली (proactive gardeners) की तरह कार्य कर सकते हैं। छात्र के असफल होने का इंतज़ार करने के बजाय, वे डेटा का उपयोग करके चेतावनी के संकेतों को जल्दी पहचान सकते हैं। अध्ययन में पाया गया कि सरल मॉडल (लॉजिस्टिक रिग्रेशन और लीनियर SVM) वास्तव में इस काम के लिए सबसे अच्छे उपकरण हैं, जो यह सही ढंग से पहचानने में 99% की संभावना रखते हैं कि किन छात्रों को छोड़ने से पहले मदद की आवश्यकता है।
शोधकर्ता सुझाव देते हैं कि भविष्य में, स्कूल और भी अधिक विवरण जोड़ सकते हैं—जैसे कि एक छात्र कक्षा में कितनी भागीदारी करता है या उसकी होमवर्क की आदतें कैसी हैं—ताकी उनकी भविष्यवाणियाँ और भी सटीक हो सकें, लेकिन फिलहाल, मौजूदा डेटा पहले से ही शानदार काम कर रहा 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।