Predicting At Risk Student Performance at the First Quarter Semester Boundary Using Ensemble Learning
Deze studie stelt een vroegtijdig waarschuwingsbeslissingsondersteuningskader voor dat gebruikmaakt van ensemble learning-modellen getraind op de OULAD-dataset en verbeterd met SMOTE om effectief het prestatiegevaar van studenten bij de grens van het eerste kwartaal te voorspellen, waarbij wordt aangetoond dat LightGBM een superieure nauwkeurigheid bereikt bij het identificeren van studenten die tijdige academische interventie nodig hebben.
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
In het uitgestrekte landschap van het hoger onderwijs worden universiteiten geconfronteerd met een hardnekkige en kostbare uitdaging: studenten op het pad naar afstuderen houden. Wanneer een student begint te worstelen, verschijnen de tekenen vaak vroegtijdig, verborgen in het stille ritme van hun dagelijkse digitale interacties. In de afgelopen twee decennia heeft de opkomst van online leerplatform's deze interacties getransformeerd tot een rijke stroom aan gegevens. Elke keer dat een student inlogt, op een link klikt of een opdracht inlevert, wordt er een registratie gemaakt. Dit veld, bekend als learning analytics, probeert betekenis te geven aan deze digitale voetsporen. Door statistische hulpmiddelen toe te passen op deze gegevens, hopen onderwijzers patronen te ontdekken die signaleren dat een student in de problemen zit, lang voordat er een eindcijfer wordt gegeven. Het doel is niet om de toekomst met zekerheid te voorspellen, maar om een tijdige waarschuwing te bieden die docenten in staat stelt in te grijpen met ondersteuning voordat een student uitvalt of zakt.
Een nieuwe studie door Omara Innocent aan de Universal Technology and Management University in Oeganda pakt dit probleem aan door een specifiek type computerprogramma te testen dat is ontworpen om te leren van gegevens. Het onderzoek richt zich op het begin van een semester, specifiek het eerste kwartaal, en vraagt zich af of het mogelijk is om risicovolle studenten zo vroeg te identificeren. Hiervoor gebruikte de onderzoeker een grote, publieke collectie gegevens van de Open University in het Verenigd Koninkrijk, die gegevens bevat van duizenden studenten, hun demografie en hun gedetailleerde activiteitsprotocollen uit een virtuele leeromgeving. De kern van de studie bestond uit het trainen van drie verschillende soorten geavanceerde computermodellen om naar deze gegevens te kijken en te beslissen welke studenten waarschijnlijk succesvol zouden zijn en welke waarschijnlijk zouden falen. Deze modellen staan bekend als ensemble learners, een methode waarbij meerdere eenvoudige besluitvormers worden gecombineerd om één enkele, intelligentere voorspeller te vormen. De onderzoeker testte drie specifieke versies van deze modellen: Random Forest, XGBoost en LightGBM.
De studie toonde aan dat één model, genaamd LightGBM, de anderen aanzienlijk versloeg. Wanneer dit model op de gegevens werd getest, identificeerde het risicovolle studenten met een hoge mate van nauwkeurigheid, waarbij het een score van 0,89 behaalde op een schaal waarbij hoger beter is. Het bleek ook het snelst te zijn, waarbij het slechts ongeveer 4,1 seconden nodig had om op de dataset te trainen, vergeleken met bijna 29 seconden voor het op één na beste model. Het onderzoek pakte ook een veelvoorkomend probleem in dit veld aan: het feit dat er in een bepaalde groep veel meer succesvolle studenten zijn dan falende studenten. Om dit op te lossen, gebruikte de onderzoeker een techniek genaamd SMOTE, die synthetische voorbeelden van risicovolle studenten creëert om de gegevens in evenwicht te brengen. Deze aanpassing was cruciaal; het hielp de modellen om de minderheidsgroep niet te negeren en verminderde aanzienlijk het aantal falende studenten dat ten onrechte als veilig werd gelabeld. Zonder deze stap zouden de modellen te snel aannemen dat iedereen zou slagen.
Misschien wel de meest onthullende bevinding was niet alleen welk model het beste werkte, maar waar de modellen daadwerkelijk naar keken om hun beslissingen te nemen. De computerprogramma's legden veel meer gewicht bij hoe studenten zich online gedroegen dan bij wie zij waren toen zij arriveerden. Factoren zoals hoe laat een student een opdracht inleverde, hoe vaak ze quizpagina's bekeken en hoe actief ze deelnamen aan discussiefora, waren de sterkste voorspellers van falen. In tegenstelling hiertoe droegen statische details zoals de leeftijd, het geslacht of de eerdere onderwijsscores van een student veel minder bij aan de voorspelling. Dit suggereert dat de manier waarop een student zich in de eerste weken met het cursusmateriaal bezighoudt, een betrouwbaardere indicator is voor hun toekomstige succes dan hun achtergrond. De studie bevestigt dat gedragsgegevens, zoals de timing van een klik of de vertraging in een inzending, een duidelijker signaal van academisch risico geven dan traditionele demografische informatie.
De onderzoeker stelde ook een manier voor om deze bevindingen de echte wereld in te brengen zonder de privacy van studenten te schenden. Het voorgestelde systeem zou niet zelfstandig beslissingen nemen. In plaats daarvan zou het fungeren als een hulpmiddel voor besluitvorming, dat een beveiligde, geanonimiseerde waarschuwing naar het academisch personeel stuurt wanneer een student tekenen van worsteling vertoont. Deze waarschuwing zou een duwtje zijn voor een menselijke adviseur om contact op te nemen, in plaats van een definitief oordeel over het lot van de student. Het kader benadrukt dat hoewel de computer patronen kan herkennen, de interventie een menselijke handeling moet blijven, geleid door ethiek en zorg. De studie concludeert dat hoewel deze instrumenten krachtig zijn, ze geen magische oplossing zijn. Ze werken het best wanneer ze worden gebruikt om het oordeel van onderwijzers te ondersteunen, niet om dit te vervangen. De bevindingen bieden een praktisch pad voor de toekomst voor universiteiten: door nauwlettend op te letten bij dit vroege digitale gedrag en efficiënte computermodellen te gebruiken om deze te benadrukken, kunnen instellingen eerder ingrijpen, wat studenten potentieel kan redden van een pad naar falen.
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.