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।
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
उच्च शिक्षा के विशाल परिदृश्य में, विश्वविद्यालयों के सामने एक निरंतर और महंगी चुनौती है: छात्रों को स्नातक के पथ पर बनाए रखना। जब कोई छात्र संघर्ष करने लगता है, तो इसके संकेत अक्सर जल्दी ही दिखाई देने लगते हैं, जो उनकी दैनिक डिजिटल अंतःक्रियाओं की शांत लय के भीतर छिपे होते हैं। पिछले दो दशकों में, ऑनलाइन लर्निंग प्लेटफॉर्म के उदय ने इन अंतःक्रियाओं को डेटा के एक समृद्ध प्रवाह में बदल दिया है। हर बार जब कोई छात्र लॉग इन करता है, किसी लिंक पर क्लिक करता है, या कोई असाइनमेंट जमा करता है, तो एक रिकॉर्ड बनाया जाता है। यह क्षेत्र, जिसे 'लर्निंग एनालिटिक्स' कहा जाता है, इन डिजिटल पदचिह्नों का अर्थ निकालने का प्रयास करता है। इस डेटा पर सांख्यिकीय उपकरणों को लागू करके, शिक्षक उन पैटर्न को पहचानने की उम्मीद करते हैं जो यह संकेत देते हैं कि कोई छात्र मुसीबत में है, इससे बहुत पहले कि अंतिम ग्रेड जारी किया जाए। इसका लक्ष्य निश्चितता के साथ भविष्य की भविष्यवाणी करना नहीं है, बल्कि एक समय पर चेतावनी देना है जो शिक्षकों को छात्र के पढ़ाई छोड़ने या असफल होने से पहले सहायता के साथ हस्तक्षेप करने की अनुमति दे सके।
यूनिवर्सल टेक्नोलॉजी एंड मैनेजमेंट यूनिवर्सिटी, युगांडा में ओमारा इनोसेंट द्वारा किया गया एक नया अध्ययन इस समस्या का समाधान करने के लिए एक विशिष्ट प्रकार के कंप्यूटर प्रोग्राम का परीक्षण करता है जिसे डेटा से सीखने के लिए डिज़ाइन किया गया है। यह शोध सेमेस्टर की शुरुआत, विशेष रूप से पहली तिमाही पर ध्यान केंद्रित करता है, और यह पूछता है कि क्या इतनी जल्दी जोखिम वाले छात्रों की पहचान करना संभव है। ऐसा करने के लिए, शोधकर्ता ने यूनाइटेड किंगडम के ओपन यूनिवर्सिटी से डेटा के एक बड़े, सार्वजनिक संग्रह का उपयोग किया, जिसमें हजारों छात्रों, उनके जनसांख्यिकीय विवरणों और एक वर्चुअल लर्निंग एनवायरनमेंट से उनके विस्तृत गतिविधि लॉग शामिल हैं। अध्ययन का मुख्य हिस्सा तीन अलग-अलग प्रकार के उन्नत कंप्यूटर मॉडलों को इस डेटा को देखने और यह तय करने के लिए प्रशिक्षित करना था कि कौन से छात्र सफल होने की संभावना रखते हैं और कौन से असफल होने की। ये मॉडल 'एन्सेम्बल लर्नर्स' (ensemble learners) के रूप में जाने जाते हैं, जो एक ऐसी विधि है जहाँ कई सरल निर्णय लेने वालों को एक एकल, स्मार्ट भविष्यवक्ता बनाने के लिए जोड़ा जाता है। शोधकर्ता ने इन मॉडलों के तीन विशिष्ट संस्करणों का परीक्षण किया: रैंडम फॉरेस्ट (Random Forest), XGBoost, और LightGBM।
अध्ययन में पाया गया कि एक मॉडल, जिसे LightGBM कहा जाता है, अन्य मॉडलों की तुलना में काफी बेहतर प्रदर्शन करता है। डेटा पर परीक्षण करने पर, इस मॉडल ने उच्च स्तर की सटीकता के साथ जोखिम वाले छात्रों की सही पहचान की, और 0.89 का स्कोर प्राप्त किया, जहाँ उच्च स्कोर बेहतर माना जाता है। यह सबसे तेज़ भी साबित हुआ, जिसे डेटासेट पर प्रशिक्षित करने में केवल लगभग 4.1 सेकंड लगे, जबकि अगले सबसे अच्छे मॉडल को लगभग 29 सेकंड लगे। शोध ने इस क्षेत्र की एक सामान्य समस्या को भी संबोधित किया: यह तथ्य कि किसी भी दिए गए समूह में सफल छात्रों की संख्या असफल छात्रों की तुलना में बहुत अधिक होती है। इसे ठीक करने के लिए, शोधकर्ता ने SMOTE नामक एक तकनीक का उपयोग किया, जो डेटा को संतुलित करने के लिए जोखिम वाले छात्रों के कृत्रिम उदाहरण बनाता है। यह समायोजन महत्वपूर्ण था; इसने मॉडलों को अल्पसंख्यक समूह को अनदेखा करने से रोकने में मदद की और उन असफल छात्रों की संख्या को काफी कम कर दिया जिन्हें गलती से सुरक्षित लेबल कर दिया गया था। इस कदम के बिना, मॉडल यह मान लेने में बहुत जल्दीबाज़ी करते कि हर कोई पास हो जाएगा।
शायद सबसे खुलासा करने वाला निष्कर्ष यह नहीं था कि कौन सा मॉडल सबसे अच्छा काम करता है, बल्कि यह था कि मॉडल अपने निर्णय लेने के लिए वास्तव में किन चीजों को देखते हैं। कंप्यूटर प्रोग्रामों ने इस बात पर बहुत अधिक भार दिया कि छात्र ऑनलाइन कैसे व्यवहार करते हैं, बजाय इसके कि वे आगमन के समय कौन थे। जैसे कि एक छात्र द्वारा असाइनमेंट जमा करने में कितनी देरी हुई, उन्होंने क्विज़ पेजों को कितनी बार देखा, और वे चर्चा मंचों (discussion forums) में कितने सक्रिय रूप से भाग लेते थे—ये विफलता के सबसे मजबूत भविष्यवक्ता थे। इसके विपरीत, स्थिर विवरण जैसे कि छात्र की आयु, लिंग, या पूर्व शिक्षा स्कोर, भविष्यवाणियों में बहुत कम योगदान देते थे। यह सुझाव देता है कि पहले कुछ हफ्तों में एक छात्र पाठ्यक्रम सामग्री के साथ कैसे जुड़ता है, वह उनके बैकग्राउंड की तुलना में उनकी भविष्य की सफलता का अधिक विश्वसनीय संकेतक है। अध्ययन पुष्टि करता है कि व्यवहार संबंधी डेटा, जैसे कि क्लिक का समय या सबमिशन में देरी, पारंपरिक जनसांख्यिकीय जानकारी की तुलना में शैक्षणिक जोखिम का स्पष्ट संकेत प्रदान करता है।
शोधकर्ता ने यह भी प्रस्तावित किया कि इन निष्कर्षों को छात्र गोपनीयता का उल्लंघन किए बिना वास्तविक दुनिया में कैसे लाया जाए। सुझाया गया सिस्टम अपने आप निर्णय नहीं लेगा। इसके बजाय, यह एक निर्णय-सहायता उपकरण (decision-support tool) के रूप में कार्य करेगा, जो शैक्षणिक कर्मचारियों को एक सुरक्षित, गुमनाम अलर्ट भेजेगा जब कोई छात्र संघर्ष के संकेत दिखाता है। यह अलर्ट एक मानव परामर्शदाता के लिए संपर्क करने के लिए एक संकेत होगा, न कि छात्र के भाग्य पर कोई अंतिम निर्णय। ढांचा इस बात पर जोर देता है कि जबकि कंप्यूटर पैटर्न को पहचान सकता है, हस्तक्षेप एक मानवीय कार्य होना चाहिए, जो नैतिकता और देखभाल से निर्देशित हो। अध्ययन निष्कर्ष निकालता है कि हालांकि ये उपकरण शक्तिशाली हैं, वे कोई जादुई समाधान नहीं हैं। वे तब सबसे अच्छा काम करते हैं जब उनका उपयोग शिक्षकों के निर्णय को बदलने के बजाय उनका समर्थन करने के लिए किया जाता है। उनके निष्कर्ष विश्वविद्यालयों के लिए एक व्यावहारिक मार्ग प्रदान करते हैं: शुरुआती डिजिटल व्यवहारों पर बारीकी से ध्यान देकर और उन्हें उजागर करने के लिए कुशल कंप्यूटर मॉडलों का उपयोग करके, संस्थान जल्द हस्तक्षेप कर सकते हैं, जिससे संभावित रूप से छात्रों को विफलता के पथ से बचाया जा सकता 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।