Machine Learning Prediction of Undergraduate Academic Performance for Early Identification of At-Risk Students: Evidence from Nnamdi Azikiwe University
यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग मॉडल, विशेष रूप से सपोर्ट वेक्टर मशीनें, प्रथम-सेमेस्टर जीपीए और कैरीओवर पाठ्यक्रमों जैसे नियमित रिकॉर्ड का उपयोग करके नन्नामदी अज़िकिवे विश्वविद्यालय में स्नातक शैक्षणिक जोखिम की प्रभावी ढंग से भविष्यवाणी कर सकते हैं, जिससे जोखिम वाले छात्रों के लिए समय पर हस्तक्षेप 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
आज के विश्वविद्यालयों के सामने एक शांत लेकिन बढ़ती हुई चुनौती है: वे पहले से कहीं अधिक छात्रों को शिक्षित कर रहे हैं, फिर भी उनके पास अक्सर यह पहचानने के लिए समय या साधन नहीं होते कि कोई विशिष्ट छात्र कब संघर्ष करने लगा है, जब तक कि बहुत देर न हो जाए। अतीत में, एक शिक्षक शायद तब तक प्रतीक्षा करता जब तक कि कोई असफल ग्रेड या छूटा हुआ परीक्षा का परिणाम न मिल जाए जिससे उसे पता चलता कि छात्र मुसीबत में है, लेकिन तब तक सीखने का अंतराल इतना बड़ा हो चुका होता जिसे आसानी से पाटना कठिन हो जाता है। इसे हल करने के लिए, शोधकर्ता मशीन लर्निंग नामक एक क्षेत्र की ओर मुड़ रहे हैं, जो अनिवार्य रूप से कंप्यूटर के लिए डेटा में पैटर्न से सीखने का एक तरीका है, बजाय इसके कि वह किसी इंसान द्वारा लिखे गए सख्त नियमों का पालन करे। इन प्रणालियों को छात्रों के प्रदर्शन, उपस्थिति और पृष्ठभूमि के ऐतिहासिक रिकॉर्ड खिलाकर, कंप्यूटर उन सूक्ष्म संकेतों को पहचानना सीख सकता है जो शैक्षणिक विफलता से पहले दिखाई देते हैं। इसका लक्ष्य शिक्षकों को एल्गोरिदम से बदलना नहीं है, बल्कि उन्हें एक प्रारंभिक चेतावनी प्रणाली देना है—यह देखने का एक तरीका कि किन छात्रों को मदद की आवश्यकता हो सकती है इससे पहले कि वे पीछे छूट जाएं, जिससे समय पर सहायता मिल सके जो एक छात्र के पूरे शैक्षणिक पथ को बदल सकती है।
नाइजीरिया में नन्नामी अज़िकीवे विश्वविद्यालय में, शोधकर्ताओं की एक टीम ने यह परीक्षण करने का निर्णय लिया कि क्या यह दृष्टिकोण उनके विशिष्ट संदर्भ में काम कर सकता है। उन्होंने 400 स्नातक छात्रों के शैक्षणिक रिकॉर्ड एकत्र किए, जिसमें प्रवेश परीक्षा के अंकों, उनके पहले सेमेस्टर के ग्रेड, उनके व्याख्यान (लेक्चर) में उपस्थिति की आवृत्ति, निरंतर मूल्यांकन के उनके अंकों और यहाँ तक कि क्या वे अतीत में किसी पाठ्यक्रम में असफल हुए थे, जैसे विवरणों की एक विस्तृत श्रृंखला शामिल थी। शोधकर्ताओं ने फिर इस जानकारी का विश्लेषण करने और यह भविष्यवाणी करने के लिए चार अलग-अलग कंप्यूटर मॉडलों से कहा कि कौन से छात्र खराब शैक्षणिक प्रदर्शन के जोखिम में हैं। उन्होंने "जोखिम में" होने को उन छात्रों के रूप में परिभाषित किया जिनका प्रदर्शन एक निश्चित मानक से नीचे गिर गया था, जिससे प्रभावी रूप से दो समूह बन गए: वे जो अच्छा कर रहे थे और वे जो संघर्ष कर रहे थे। टीम यह देखना चाहती थी कि क्या कंप्यूटर केवल सेमेस्टर की शुरुआत में उपलब्ध डेटा का उपयोग करके, संघर्ष करने वाले समूह की पहचान जल्दी कर सकते हैं, और यह निर्धारित कर सकते हैं कि कौन से विशिष्ट कारक परेशानी के सबसे मजबूत संकेतक हैं।
परिणामों ने एक स्पष्ट तस्वीर पेश की कि क्या एक सफल छात्र को एक संकट में पड़े छात्र से अलग करता है। अध्ययन किए गए 400 छात्रों में से, लगभग चार में से एक को जोखिम में पाया गया। जब शोधकर्ताओं ने डेटा को बारीकी से देखा, तो उन्होंने पाया कि संघर्ष करने वाले छात्रों का एक बहुत ही विशिष्ट प्रोफाइल था। वे कम प्रवेश परीक्षा अंकों के साथ विश्वविद्यालय में आए थे, लेकिन इससे भी महत्वपूर्ण बात यह थी कि उनका पहला सेमेस्टर प्रदर्शन भविष्य की परेशानी का एक बहुत मजबूत संकेत था। सबसे शक्तिशाली भविष्यवक्ता पहले सेमेस्टर का ग्रेड पॉइंट औसत (GPA) था; जोखिम वाले छात्रों का औसत स्कोर 2.43 था, जबकि अच्छा करने वाले छात्रों का औसत 3.24 था। पहले विफल हुए पाठ्यक्रमों की संख्या, जिसे 'कैरीओवर कोर्स' कहा जाता है, दूसरा सबसे महत्वपूर्ण कारक था। जोखिम वाले छात्रों के औसतन 2.5 पाठ्यक्रम विफल थे, जबकि उनके साथियों के लिए यह संख्या केवल एक थी। निरंतर मूल्यांकन के अंक और व्याख्यान में उपस्थिति जैसे अन्य कारकों ने भी भूमिका निभाई, जहाँ संघर्ष करने वाले छात्र कम कक्षाएं लेते थे और चल रहे परीक्षणों में कम अंक प्राप्त करते थे। दिलचस्प बात यह है कि डेटा ने दिखाया कि छात्र का लिंग या उनके विश्वविद्यालय में प्रवेश करने का विशिष्ट तरीका यह अनुमान लगाने में मदद नहीं करता था कि कौन संघर्ष करेगा, जिससे यह संकेत मिलता है कि इस परिवेश में शैक्षणिक व्यवहार जनसांख्यिकीय पृष्ठभूमि की तुलना में कहीं अधिक मायने रखता है।
इन भविष्यवाणियों को करने का सबसे अच्छा तरीका खोजने के लिए, शोधकर्ताओं ने चार अलग-अलग मशीन लर्निंग तकनीकों की तुलना की, जिनमें से प्रत्येक समस्या को थोड़े अलग तरीके से देखता है। एक विधि, जिसे 'डिसीजन फॉरेस्ट' कहा जाता है, सामूहिक अनुमान लगाने के लिए कई सरल 'डिसीजन ट्री' बनाता है। दूसरी विधि, जिसे 'सपोर्ट वेक्टर मशीन' के रूप में जाना जाता है, संघर्ष करने वाले छात्रों को सफल छात्रों से अलग करने के लिए एक जटिल रेखा खींचने का प्रयास करती है। जब मॉडलों का परीक्षण नए डेटा पर किया गया जिसे उन्होंने पहले कभी नहीं देखा था, तो परिणाम आश्चर्यजनक थे। वह मॉडल जिसने प्रारंभिक प्रशिक्षण चरण के दौरान सबसे अच्छा प्रदर्शन किया था, नए छात्रों के सामने आने पर उतना अच्छा नहीं टिक सका। इसके बजाय, सपोर्ट वेक्टर मशीन और 'लॉजिस्टिक रिग्रेशन' नामक विधि सबसे विश्वसनीय साबित हुई। सपोर्ट वेक्टर मशीन ने परीक्षण समूह के 20 संघर्षरत छात्रों में से 16 की सही पहचान की, केवल चार को छोड़ा, जबकि 'फॉल्स अलार्म' (ऐसे छात्र जिन्हें संघर्षरत के रूप में चिह्नित किया गया जबकि वे वास्तव में अच्छा कर रहे थे) की संख्या को भी अपेक्षाकृत कम रखा। कंप्यूटर मॉडल उच्च स्तर की सटीकता के साथ दोनों समूहों के बीच अंतर करने में सक्षम थे, जिससे सिद्ध हुआ कि डेटा में पैटर्न वास्तविक और सुसंगत थे।
अध्ययन ने इस बात की भी गहराई से जांच की कि मॉडल अपने निर्णय क्यों ले रहे थे, यह सुनिश्चित करते हुए कि परिणाम केवल एक सांख्यिकीय युक्ति नहीं थे बल्कि वास्तविक शैक्षिक गतिशीलता को दर्शाते थे। विश्लेषण ने पुष्टि की कि एक छात्र का पहले सेमेस्टर में क्या होता है, यह इस बात से कहीं अधिक बताने वाला है कि वे कहाँ से शुरू हुए थे। हालांकि प्रवेश परीक्षा के अंक मायने रखते थे, लेकिन वे इस बात से दब गए कि छात्र वास्तव में कक्षा में कैसे प्रदर्शन करते हैं। कंप्यूटर ने सीखा कि कम ग्रेड पॉइंट औसत, विफल हुए पाठ्यक्रमों की उच्च संख्या और खराब उपस्थिति वे सबसे मजबूत संकेत थे कि एक छात्र मुसीबत में है। यह इस विचार के अनुरूप है कि सीखना एक सक्रिय प्रक्रिया है; जो छात्र अपनी पढ़ाई में संलग्न नहीं हैं, कक्षाएं छोड़ रहे हैं, या शुरुआती दौर में सामग्री को समझने में विफल हो रहे हैं, वे ही हैं जिन्हें सबसे अधिक मदद की आवश्यकता है। शोधकर्ताओं ने उल्लेख किया कि हालांकि मॉडल इन पैटर्न को पहचानने में अत्यधिक प्रभावी थे, लेकिन उन्हें मानवीय निर्णय के पूरक के रूप में देखा जाना चाहिए, न कि उसके विकल्प के रूप में। एक कंप्यूटर ध्यान आकर्षित करने के लिए छात्र को चिह्नित कर सकता है, लेकिन समझ और सहायता प्रदान करना विश्वविद्यालय के परामर्शदाताओं और शिक्षकों का काम है।
अंततः, यह शोध प्रदर्शित करता है कि विश्वविद्यालय पहले से मौजूद डेटा का उपयोग अपने छात्रों के लिए एक सुरक्षा जाल बनाने के लिए कर सकते हैं। पहले सेमेस्टर के ग्रेड और कक्षा में उपस्थिति जैसे शुरुआती संकेतकों पर ध्यान केंद्रित करके, संस्थान उन छात्रों की पहचान कर सकते हैं जो अंतिम परीक्षा में असफल होने से बहुत पहले संघर्ष करने की संभावना रखते हैं। अध्ययन सुझाव देता है कि नन्नामी अज़िकीवे विश्वविद्यालय, और उसके जैसे अन्य संस्थान, अपने शैक्षणिक परामर्श को निर्देशित करने के लिए इन प्रारंभिक चेतावनी प्रणालियों को लागू कर सकते हैं। संकट के उत्पन्न होने की प्रतीक्षा करने के बजाय, कर्मचारी छात्रों तक उसी क्षण पहुँच सकते हैं जब डेटा दिखाता है कि वे अपने मार्ग से भटक रहे हैं। निष्कर्ष एक व्यावहारिक मार्ग प्रदान करते हैं: रिकॉर्ड के पैटर्न का उपयोग समय पर हस्तक्षेप को प्रेरित करने के लिए करें, जिससे यह सुनिश्चित हो सके कि जिन छात्रों को सबसे अधिक मदद की आवश्यकता है, उन्हें उनकी शैक्षणिक कठिनाइयाँ असंभव होने से पहले ही सहायता प्राप्त हो 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।