An Optimized Stacking Ensemble Model for Forecasting Student Dropout
यह अध्ययन एक अनुकूलित स्टैकिंग एंसेम्बल मॉडल प्रस्तुत करता है जो के-नियरेस्ट नेबर्स और बायेसियन नेटवर्क क्लासिफायर को एकीकृत करता है, जिसे हाइपरपैरामीटर ट्यूनिंग और SMOTE-आधारित संतुलन द्वारा उन्नत किया गया है, जो 85.9% सटीकता प्राप्त करता है और छात्र ड्रॉपआउट के पूर्वानुमान के लिए एक प्रभावी प्रारंभिक चेतावनी उपकरण प्रदान करने हेतु मौजूदा विधियों से बेहतर प्रदर्शन 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
हर साल, दुनिया भर के विश्वविद्यालय एक शांत लेकिन निरंतर संकट का सामना करते हैं: वे छात्र जो अपनी डिग्री शुरू तो करते हैं लेकिन उन्हें कभी पूरा नहीं कर पाते। यह गिरावट न केवल इसमें शामिल व्यक्तियों के लिए एक व्यक्तिगत त्रासदी है; यह संस्थानों से संसाधनों को कम करती है, स्नातक दर को घटाती है, और समुदायों को उन कुशल पेशेवरों से वंचित छोड़ देती है जिनकी उन्हें आवश्यकता होती है। दशकों से, स्कूलों ने ग्रेड और उपस्थिति की मैन्युअल रूप से समीक्षा करके, उन छात्रों को खोजने की कोशिश की है जो पिछड़ते हुए प्रतीत होते हैं, इस समस्या को हल करने के लिए। हालाँकि, ये तरीके अक्सर किसी छात्र की मदद करने के लिए बहुत धीमे होते हैं इससे पहले कि बहुत देर हो जाए। हाल के वर्षों में, शोधकर्ताओं ने मशीन लर्निंग की ओर रुख किया है, जो कंप्यूटर विज्ञान की एक शाखा है जहाँ सॉफ़्टवेयर बिना किसी स्पष्ट नियम के प्रोग्राम किए, डेटा में पैटर्न पहचानना सीखता है। हजारों छात्रों के ऐतिहासिक रिकॉर्ड को इन प्रणालियों में फीड करके, कंप्यूटर उन सूक्ष्म चेतावनी संकेतों की पहचान कर सकता है जिन्हें मानवीय पर्यवेक्षक चूक सकते हैं, जिससे जल्दी हस्तक्षेप करने और छात्रों को स्नातक होने के पथ पर बनाए रखने का अवसर मिलता है।
विक्टोरिया यूनिवर्सिटी इन कंपाला, युगांडा और हरगेसा, सोमालीलैंड के द यूनिटी यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस दृष्टिकोण को एक कदम आगे बढ़ाते हुए, विशेष रूप से इस चुनौती के लिए डिज़ाइन की गई एक नई प्रकार की भविष्यवाणी प्रणाली विकसित करके इस कार्य को आगे बढ़ाया है। एक एकल कंप्यूटर एल्गोरिदम पर निर्णय लेने के लिए निर्भर रहने के बजाय, उन्होंने एक ऐसी प्रणाली बनाई है जो दो अलग-अलग विधियों की शक्तियों को जोड़ती है। पहली विधि, जिसे 'के-नियरेस्ट नेबर्स' (K-Nearest Neighbors) के रूप में जाना जाता है, एक छात्र के रिकॉर्ड को देखकर और सबसे समान पिछले छात्रों को खोजकर यह देखती है कि उनके साथ क्या हुआ था। दूसरी विधि, एक 'बेयसियन नेटवर्क' (Bayesian Network), छात्र के ग्रेड, वित्तीय स्थिति और व्यक्तिगत परिस्थितियों के बीच जटिल संबंधों के आधार पर पढ़ाई छोड़ने की संभावना की गणना करती है। जबकि प्रत्येक विधि अपने आप में उपयोगी है, शोधकर्ताओं ने पाया कि वे कभी-कभी एक ही डेटा में अलग-अलग चीजें देखते हैं। इसे हल करने के लिए, उन्होंने एक "स्टैकिंग" (stacking) मॉडल बनाया, एक ऐसी संरचना जहाँ एक तीसरा, अधिक स्मार्ट प्रोग्राम पहले दो के भविष्यवाणियों को सुनता है और अंतिम निर्णय लेता है। यह अंतिम प्रोग्राम एक अनुभवी संपादक की तरह कार्य करता है, जो दोनों स्रोतों से साक्ष्य को तौलकर एक अधिक विश्वसनीय निर्णय देता है जो अकेले उनमें से किसी एक द्वारा प्राप्त किए जाने वाले निर्णय से बेहतर होता है।
शोधकर्ताओं ने इस प्रणाली का परीक्षण द यूनिटी यूनिवर्सिटी के वास्तविक छात्र रिकॉर्ड का एक विशाल संग्रह का उपयोग करके किया, जिसमें 2021 से 2025 तक के वर्ष शामिल थे। इस डेटासेट में 4,400 से अधिक छात्र शामिल थे और इसमें तीस-छह विभिन्न कारकों को ट्रैक किया गया था, जो एक छात्र द्वारा पास किए गए पाठ्यक्रमों की संख्या से लेकर उनकी वित्तीय स्थिति और जनसांख्यिकीय पृष्ठभूमि तक विस्तृत थे। इस प्रकार के शोध में एक प्रमुख बाधा यह है कि अधिकांश छात्र स्कूल में बने रहते हैं, जबकि बहुत कम लोग पढ़ाई छोड़ देते हैं, जिससे कंप्यूटर के लिए एक असमान क्षेत्र बन जाता है। इसे ठीक करने के लिए, टीम ने डेटा को कृत्रिम रूप से संतुलित करने की एक तकनीक का उपयोग किया, यह सुनिश्चित करते हुए कि सिस्टम छोड़ने की चेतावनी संकेतों को उतनी ही अच्छी तरह पहचान सके जितना कि उसने सुरक्षित छात्रों को पहचानने के लिए सीखा था। इसके बाद उन्होंने डेटा को विभाजित किया, जिसमें से अधिकांश का उपयोग सिस्टम को सिखाने के लिए किया गया और एक हिस्सा यह परीक्षण करने के लिए रोक दिया गया कि उन छात्रों पर इसका प्रदर्शन कैसा रहता है जिन्हें इसने पहले कभी नहीं देखा था।
परिणामों ने दिखाया कि नया संयुक्त सिस्टम व्यक्तिगत विधियों की तुलना में वास्तव में श्रेष्ठ था। परीक्षण के दौरान, स्टैकिंग मॉडल ने लगभग 86 प्रतिशत बार सही ढंग से पहचान लिया कि कोई छात्र पढ़ाई छोड़ देगा या स्कूल में बना रहेगा। इससे भी महत्वपूर्ण बात यह है कि यह उन छात्रों को पकड़ने में बहुत अच्छा था जो वास्तव में जोखिम में थे। इसने उन 81 प्रतिशत छात्रों को सही ढंग से चिह्नित किया जो अंततः पढ़ाई छोड़ गए, जो उन स्कूलों के लिए एक महत्वपूर्ण पैमाना है जो हस्तक्षेप करने की कोशिश कर रहे हैं। इसकी तुलना में, एकल विधियाँ और उन्हें संयोजित करने का एक सरल तरीका (जिसे 'सॉफ्ट वोटिंग' कहा जाता है) कम सटीक थे, जिससे या तो अधिक जोखिम वाले छात्र छूट गए या सुरक्षित छात्रों को गलत तरीके से चिह्नित कर दिया गया। विश्लेषण ने यह भी खुलासा किया कि कौन से कारक सबसे अधिक मायने रखते थे: शैक्षणिक प्रदर्शन, विशेष रूप से स्वीकृत पाठ्यक्रमों की संख्या और संचयी ग्रेड, सबसे मजबूत भविष्यवक्ता था, जिसके ठीक बाद वित्तीय संकेतक जैसे ट्यूशन की स्थिति और क्या छात्र संस्थान का ऋणी है, आते हैं।
यह अध्ययन प्रदर्शित करता है कि विभिन्न प्रकार की मशीन लर्निंग को बुनकर, विश्वविद्यालय अपने छात्रों के लिए एक अधिक मजबूत सुरक्षा कवच बना सकते हैं। यह मॉडल मानव परामर्शदाताओं (कौंसलर्स) का स्थान नहीं लेता है बल्कि उन्हें अपने प्रयासों को प्राथमिकता देने के लिए एक शक्तिशाली उपकरण प्रदान करता है। छात्रों के वास्तव में छोड़ने से पहले ही उनके छोड़ने की सबसे अधिक संभावना की पहचान करके, संस्थान सटीक समय पर वित्तीय सहायता, शैक्षणिक ट्यूशन या परामर्श प्रदान कर सकते हैं। हालाँकि शोधकर्ता नोट करते हैं कि उनके मॉडल को एक एकल विश्वविद्यालय के डेटा पर प्रशिक्षित किया गया था और भविष्य के कार्यों को विभिन्न क्षेत्रों में और अधिक उन्नत तकनीकों के साथ परीक्षण किया जाना चाहिए, फिर भी इनके निष्कर्ष एक स्पष्ट मार्ग दिखाते हैं। वे सिद्ध करते हैं कि सही डेटा और एल्गोरिदम के संयोजन के साथ, यह संभव है कि छात्र ह्रास (attrition) की लहर को बदला जा सके, और ड्रॉपआउट प्रबंधन की एक प्रतिक्रियात्मक प्रक्रिया को छात्रों को स्कूल में बनाए रखने की एक सक्रिय रणनीति में बदला जा सके।
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।