Multidimensional Exploration of Influencing Factors of College Students' Academic Performance: An Empirical Study Based on 18 Machine Learning Algorithms
यह अनुभवजन्य अध्ययन 145 UCI छात्रों के डेटा का 18 मशीन लर्निंग एल्गोरिदम का उपयोग करके विश्लेषण करता है जिससे यह पहचान होता है कि LightGBM मॉडल शैक्षणिक प्रदर्शन की सबसे सटीक भविष्यवाणी करता है, जो यह प्रकट करता है कि व्यक्तिगत और स्कूली शिक्षा कारक (जैसे लिंग, आयु, अंशकालिक कार्य और कक्षा में सुनना) सफलता के प्राथमिक चालक हैं जबकि पारिवारिक कारकों का प्रभाव कम है, जिससे व्यक्तिगत शैक्षणिक हस्तक्षेपों के लिए एक व्याख्यात्मक शाइनी (Shiny) एप्लिकेशन का विकास सक्षम होता है।
मूल पेपर CC BY 4.0 (https://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 एक जासूस हैं जो इस रहस्य को सुलझाने की कोशिश कर रहे हैं कि क्यों कुछ कॉलेज छात्र अपनी परीक्षाओं में अव्वल आते हैं जबकि अन्य संघर्ष करते हैं। लंबे समय से, शिक्षक और शोधकर्ता सुरागों का अनुमान लगा रहे थे: क्या यह आपका परिवार है? आपका व्यक्तित्व है? या आपका स्कूल? इस अध्ययन ने अनुमान लगाना बंद करने और वास्तविक उत्तर खोजने के लिए एक सुपर-पावर्ड डिजिटल जासूसी दल का उपयोग करने का निर्णय लिया।
जासूसी दल: 18 एल्गोरिदम
शोधकर्ताओं ने यूनिवर्सिटी ऑफ कैलिफोर्निया, इरविन के 145 छात्रों से डेटा एकत्र किया। उन्होंने 30 अलग-अलग सुरागों को देखा, जो व्यक्तिगत विवरणों (जैसे आयु और लिंग) से लेकर पारिवारिक पृष्ठभूमि (जैसे माता-पिता की शिक्षा) और स्कूल की आदतों (जैसे आप कक्षा में कितना सुनते हैं) तक फैले हुए थे।
मामले को सुलझाने के लिए, उन्होंने केवल एक जासूस का उपयोग नहीं किया; उन्होंने 18 अलग-अलग मशीन लर्निंग एल्गोरिदम की एक पूरी टीम को काम पर लगाया। इन एल्गोरिदम को 18 अलग-अलग प्रकार के जासूसों के रूप में सोचें: कुछ सावधानीपूर्वक लेखाकारों (लॉजिस्टिक रिग्रेशन) की तरह हैं, कुछ पैटर्न पहचानने वाले कलाकारों (न्यूरल नेटवर्क) की तरह हैं, और अन्य तीव्र-प्रहार करने वाले जांचकर्ताओं (लाइटजीबीएम, एक्सजीबूस्ट) की तरह हैं। उन सभी ने एक ही सबूतों के ढेर को देखा ताकि यह देख सकें कि कौन छात्रों के ग्रेड की सबसे अच्छी भविष्यवाणी कर सकता है।
विजेता: लाइटजीबीएम (LightGBM)
संख्याओं को चलाने के बाद, एक जासूस स्पष्ट विजेता के रूप में उभरा: लाइटजीबीबीएम (LightGBM)। जबकि अन्य जासूस अच्छे थे, लाइटजीबीएम व्यावहारिक रूप से एक सुपरहीरो था। इसने 1 में से 0.985 बार (यानी 98.5% सटीकता!) सही भविष्यवाणी की। यह इतना सुसंगत था कि इसके परिणाम बिल्कुल भी नहीं डगमगाए (एक स्थिरता स्कोर 0 के साथ)। वास्तव में, यह उन छात्रों को पहचानने में इतना अच्छा था जो असफल हो सकते हैं, कि इसने "स्पेसिफिसिटी" (Specificity) के लिए 1 का पूर्ण स्कोर प्राप्त किया (जिसका अर्थ है कि इसने बहुत कम गलत अलार्म दिए)।
बड़ा खुलासा: वास्तव में क्या मायने रखता है
एक बार जब लाइटजीबीएम जासूस जीत गया, तो शोधकर्ताओं ने उससे पूछा कि उसने ये भविष्यवाणियाँ क्यों कीं। उन्होंने एक विशेष उपकरण जिसे SHAP कहा जाता है (जो एक आवर्धक लेंस की तरह है जो दिखाता है कि प्रत्येक सुराग ने अंतिम निर्णय में कितना योगदान दिया) का उपयोग किया।
इस आवर्धक लेंस ने क्या खुलासा किया:
व्यक्तिगत कारक बॉस हैं: सबसे बड़े सुराग छात्र स्वयं के बारे में थे।
- साथी (Partner) होना: यह सबसे प्रभावशाली सुराग था। डेटा बताता है कि जिन छात्रों का कोई साथी नहीं था, उनका शैक्षणिक प्रदर्शन बेहतर होने की भविष्यवाणी की गई थी। ऐसा लगता है कि डेटिंग कुछ छात्रों के लिए थोड़ा ध्यान भटकाने वाला हो सकता है!
- आयु: 22 और 25 वर्ष की आयु के छात्रों ने सर्वश्रेष्ठ प्रदर्शन दिखाया। कम उम्र के छात्रों (22 से कम) के लिए संघर्ष करने की भविष्यवाणी की गई थी, शायद इसलिए क्योंकि उन्होंने अभी तक अपना ध्यान केंद्रित नहीं किया था।
- लिंग: मॉडल ने महिला छात्रों की तुलना में पुरुष छात्रों की बेहतर भविष्यवाणी की। लेखकों का सुझाव है कि यह इसलिए हो सकता है क्योंकि महिला छात्र कभी-कभी ग्रेड के उतार-चढ़ाव के बारे में अधिक चिंता महसूस करती हैं, जो उन्हें प्रभावित कर सकती है।
- पार्ट-टाइम काम: आश्चर्यजनक रूप से, पार्ट-टाइम नौकरी होना एक सकारात्मक सुराग था! यह सुझाव देता है कि काम करने से छात्रों को समय प्रबंधित करने और व्यावहारिक कौशल सीखने में मदद मिलती है।
स्कूल की आदतें मायने रखती हैं:
- कक्षा में सुनना (ClassListening): एक छात्र कक्षा में कितना सुन रहा है, यह एक बड़ा कारक था। यदि आप ध्यान दे रहे हैं, तो आपके ग्रेड बढ़ जाते हैं।
- अपेक्षाएं (Expectations): दिलचस्प बात यह है कि स्नातक होने पर बहुत उच्च अपेक्षित ग्रेड होना वास्तव में एक नकारात्मक सुराग था। अध्ययन बताता है कि यदि आप बहुत अधिक उम्मीद करते हैं, तो यह आपको चिंतित कर सकता है और आपके प्रदर्शन को नुकसान पहुँचा सकता है। उचित अपेक्षाएं रखना बेहतर है।
जिसका ज्यादा महत्व नहीं है:
- पारिवारिक पृष्ठभूमि: यहाँ एक मोड़ है। अध्ययन ने स्पष्ट रूप से पाया कि पारिवारिक कारकों (जैसे आपके माता-पिता कितनी पढ़ाई किए या उनकी नौकरियां) का तुलनात्मक रूप से कमजोर प्रभाव था। कॉलेज के ग्रेड की दुनिया में, आपके अपने चुनाव और आपका स्कूल का वातावरण मुख्य चालक हैं, न कि आपका पारिवारिक वंश।
"ब्लैक बॉक्स" की समस्या हल हो गई
आमतौर पर, कंप्यूटर मॉडल "ब्लैक बॉक्स" की तरह होते हैं—आप डेटा डालते हैं, और एक परिणाम बाहर आता है, लेकिन आपको पता नहीं होता कि कंप्यूटर ने कैसे निर्णय लिया। इस अध्ययन ने उस बॉक्स को खोल दिया। SHAP टूल का उपयोग करके, उन्होंने मॉडल को एक "ग्लास बॉक्स" में बदल दिया जहाँ आप देख सकते हैं कि किस लीवर (जैसे "आयु" या "पार्ट-टाइम काम") ने परिणाम को ऊपर या नीचे खींचा।
जादुई उपकरण: एक प्रेडिक्शन ऐप
इसे वास्तविक शिक्षकों के लिए उपयोगी बनाने के लिए, शोधकर्ताओं ने एक मुफ्त ऑनलाइन ऐप बनाया (जिसे 'शाइनी' कहा जाता है)। कल्पना कीजिए कि एक डैशबोर्ड है जहाँ एक शिक्षक छात्र के विवरण टाइप कर सकता है—जैसे "19 वर्ष की आयु," "एक बॉयफ्रेंड है," "कक्षा में सुनता है"—और ऐप तुरंत भविष्यवाणी कर देगा कि क्या वह छात्र फेल होने के जोखिम में है।
यदि ऐप "कम संतुष्टि" (Low Satisfaction) या "जोखिम में" (At Risk) कहता है, तो यह केवल लाल बत्ती नहीं देता; यह शिक्षक को बताता है कि क्यों। उदाहरण के लिए, यह कह सकता है, "यह छात्र जोखिम में है क्योंकि उसका एक साथी है और उसकी आयु 22 से कम है।" यह शिक्षकों को विशिष्ट सलाह देने की अनुमति देता है, जैसे छात्रों को प्यार और पढ़ाई के बीच संतुलन बनाने में मदद करना, या उन्हें समय-प्रबंधन कौशल बनाने के लिए पार्ट-टाइम नौकरी खोजने के लिए प्रोत्साहित करना।
निष्कर्ष
इस अध्ययन ने केवल अनुमान नहीं लगाया; इसने मापा। इसने साबित किया कि जबकि पारिवारिक पृष्ठभूमि कहानी का एक हिस्सा है, कॉलेज की सफलता की कहानी के मुख्य पात्र छात्र स्वयं हैं (उनकी आयु, उनके रिश्ते, उनकी कार्य आदतें) और स्कूल में उनका व्यवहार (सुनना, अपेक्षाओं का प्रबंधन करना)। सबसे अच्छे डिजिटल जासूस (LightGBM) और एक स्पष्ट आवर्धक लेंस (SHAP) का उपयोग करके, अब हमारे पास छात्रों को सफल होने में मदद करने के लिए एक स्पष्ट मानचित्र 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।