Multidimensional Exploration of Influencing Factors of College Students' Academic Performance: An Empirical Study Based on 18 Machine Learning Algorithms
Deze empirische studie analyseert gegevens van 145 UCI-studenten met behulp van 18 machine learning-algoritmen om vast te stellen dat het LightGBM-model academische prestaties het meest nauwkeurig voorspelt, waarbij wordt onthuld dat persoonlijke en schoolgerelateerde educatieve factoren (zoals geslacht, leeftijd, parttime werk en klassikale aandacht) de primaire drijfveren van succes zijn, terwijl familiale factoren een zwakker effect hebben, wat de ontwikkeling van een interpreteerbare Shiny-applicatie voor gepersonaliseerde academische interventies mogelijk maakt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die probeert het mysterie op te lossen waarom sommige studenten hun examens halen met vlag en wimpel, terwijl anderen worstelen. Al heel lang gokken docenten en onderzoekers naar de aanwijzingen: komt het door je familie? Je persoonlijkheid? Je school? Deze studie besloot te stoppen met gokken en een superkrachtig digitaal rechercheteam te gebruiken om de echte antwoorden te vinden.
Het Detectivekwartet: 18 Algoritmen
De onderzoekers verzamelden gegevens van 145 studenten van de University of California, Irvine. Ze bekeken 30 verschillende aanwijzingen, variërend van persoonlijke details (zoals leeftijd en geslacht) tot de achtergrond van de familie (zoals het opleidingsniveau van ouders) en schoolgewoonten (zoals hoe goed je in de les luistert).
Om de zaak te kraken, hebben ze niet zomaóét één detective ingehuurd; ze huurden een heel team van 18 verschillende machine learning-algoritmen in. Denk aan deze algoritmen als 18 verschillende soorten detectives: sommige zijn als zorgvuldige boekhouders (Logistische Regressie), andere als patroonherkennende kunstenaars (Neurale Netwerken), en weer anderen als razendsnelle onderzoekers (LightGBM, XGBoost). Ze bekeken allemaal dezelfde stapel bewijsmateriaal om te zien wie de cijfers van een student het beste kon voorspellen.
De Winnaar: LightGBM
Na het doorlopen van de cijfers kwam er één detective duidelijk als kampioen uit de bus: LightGBM. Hoewel de andere detectives goed waren, was LightGBM praktisch een superheld. Het kreeg de voorspelling 0,985 keer goed op een schaal van 1 (dat is 98,5% nauwkeurigheid!). Het was zo consistent dat de resultaten totaal niet schommelden (een stabiliteitsscore van 0). Sterker nog, het was zo goed in het opsporen van studenten die mogelijk zouden zakken, dat het een perfecte score van 1 behaalde voor "Specificiteit" (wat betekent dat het zelden een vals alarm sloeg).
De Grote Onthulling: Wat Er Echt Toe Doet
Toen de LightGBM-detective had gewonnen, vroegen de onderzoekers het algoritme waarom het deze voorspellingen maakte. Ze gebruikten een speciaal hulpmiddel genaamd SHAP (wat een soort vergrootglas is dat precies laat zien hoeveel elke aanwijzing heeft bijgedragen aan het uiteindelijke oordeel).
Dit is wat het vergrootglas onthulde:
Persoonlijke Factoren zijn de Baas: De belangrijkste aanwijzingen gingen over de student zelf.
- Een Partner Hebben: Dit was de meest invloedrijke aanwijzing. De gegevens suggereren dat studenten zonder partner een betere voorspelde academische prestatie hadden. Het lijkt erop dat daten voor sommigen een beetje een afleiding kan zijn!
- Leeftijd: Studenten tussen de 22 en 25 jaar oud vertoonden de beste voorspelde prestaties. Jongere studenten (onder de 22) werden voorspeld iets meer te worstelen, misschien omdat ze hun focus nog niet helemaal hadden gevonden.
- Geslacht: Het model voorspelde de prestaties van mannelijke studenten iets beter dan die van vrouwelijke studenten. De auteurs suggereren dat dit kan komen doordat vrouwelijke studenten soms meer angst ervaren over schommelingen in hun cijfers, wat hen kan benadelen.
- Parttime Werken: Verrassend genoeg was een parttime baan een positieve aanwijzing! Dit suggereert dat werken helpt om tijd te beheren en praktische vaardigheden te leren.
Schoolgewoonten Doen Er Toe:
- Luisteren in de Les: Hoe goed een student in de les luistert, was een enorme factor. Als je oplet, gaan je cijfers omhoog.
- Verwachtingen: Interessant genoeg was het hebben van een zeer hoge verwachte score bij het afstuderen juist een negatieve aanwijzing. De studie suggereert dat als je te veel verwacht, dit angst kan veroorzaken en je prestaties kan schaden. Het is beter om realistische verwachtingen te hebben.
Wat Er Niet Veel Toe Doet:
- Familieachtergrond: Hier zit de twist. De studie stelde expliciet vast dat familiale factoren (zoals hoe hoogopgeleid je ouders zijn of wat hun beroep is) een relatief zwakke impact hadden. In de wereld van collegecijfers zijn jouw eigen keuzes en je schoolomgeving de belangrijkste drijfveren, niet je stamboom.
Het "Black Box"-probleem is Opgelost
Normaal gesproken zijn computermodellen als "black boxes" (zwarte dozen): je stopt er gegevens in, er komt een resultaat uit, maar je hebt geen idee hoe de computer tot de beslissing kwam. Deze studie brak de doos open. Door het SHAP-hulpmiddel te gebruiken, veranderden ze het model in een "glass box" (glazen doos) waarbij je precies kunt zien welke hendel (zoals "Leeftijd" of "Parttime werk") het resultaat omhoog of omlaag duwde.
Het Magische Hulpmiddel: Een Voorspellings-App
Om dit bruikbaar te maken voor echte docenten, bouwden de onderzoekers een gratis online app (met behulp van iets dat "Shiny" wordt genoemd). Stel je een dashboard voor waar een docent de details van een student kan invoeren—zoals "19 jaar oud", "Heeft een vriend/vriendin", "Luistert in de les"—en de app voorspelt direct of deze student het risico loopt te zakken.
Als de app "Lage Tevredenheid" of "Risico" aangeeft, geeft het niet alleen een rood licht; het vertelt de docent ook waarom. Bijvoorbeeld: "Deze student loopt risico omdat hij/zij een partner heeft en onder de 22 is." Dit stelt docenten in staat om specifiek advies te geven, zoals het helpen van studenten om liefde en studie in balans te houden, of het aanmoedigen om een bijbaan te zoeken om tijdmanagementvaardigheden op te bouwen.
De Kern van het Verhaal
Deze studie gokte niet alleen; het mat. Het bewees dat hoewel de familieachtergrond deel uitmaakt van het verhaal, de hoofdrolspelers in het succesverhaal op de hogeschool de studenten zelf zijn (hun leeftijd, hun relaties, hun werkgewoonten) en hoe zij zich op school gedragen (luisteren, het managen van verwachtingen). Door de beste digitale detective (LightGBM) en een helder vergrootglas (SHAP) te gebruiken, hebben we nu een veel duidelijkere kaart om studenten te helpen slagen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.