Machine Learning Prediction of Undergraduate Academic Performance for Early Identification of At-Risk Students: Evidence from Nnamdi Azikiwe University
Deze studie toont aan dat machine learning-modellen, in het bijzonder Support Vector Machines, effectief het academische risico van bachelorstudenten aan de Nnamdi Azikiwe Universiteit kunnen voorspellen met behulp van routinematige gegevens zoals het GPA van het eerste semester en overlopende vakken, waardoor tijdige interventies voor risicovolle studenten mogelijk worden.
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
Universiteiten staan vandaag de dag voor een stille maar groeiende uitdaging: ze leiden meer studenten op dan ooit tevoren, maar missen vaak de tijd of de middelen om te merken wanneer een specifieke student begint te worstelen totdat het te laat is. In het verleden zou een docent kunnen wachten op een onvoldoende cijfer of een gemiste toets om te beseffen dat een student in de problemen zat, maar tegen die tijd is de leerachterstand vaak al te groot geworden om gemakkelijk te overbruggen. Om dit op te lossen, richten onderzoekers zich op een veld genaamd machine learning, wat in essentie een manier is voor computers om te leren van patronen in gegevens in plaats van een strikte set regels te volgen die door een mens zijn geschreven. Door deze systemen te voeden met historische gegevens over studentprestaties, aanwezigheid en achtergrond, kan de computer de subtiele signalen leren herkennen die voorafgaan aan academisch falen. Het doel is niet om leraren te vervangen door algoritmen, maar om hen een vroeg waarschuwingssysteem te geven—een manier om te zien welke studenten hulp nodig kunnen hebben voordat ze achterop raken, waardoor tijdige ondersteuning mogelijk wordt die de gehele academische loopbaan van een student kan veranderen.
Aan de Nnamdi Azikiwe Universiteit in Nigeria besloot een team van onderzoekers te testen of deze aanpak in hun specifieke context kon werken. Ze verzamelden de academische gegevens van 400 bachelorstudenten, waarbij ze keken naar een breed scala aan details, waaronder scores op de toelatingsexamen, hun cijfers van het eerste semester, hoe vaak ze colleges volgden, hun scores op voortgangstoetsen en zelfs of ze in het verleden voor bepaalde vakken waren gezakt. De onderzoekers vroegen vervolgens aan vier verschillende computermodellen om deze informatie te analyseren en te voorspellen welke studenten een risico liepen op matige academische prestaties. Ze definieerden "risicovol" als studenten wiens prestaties onder een bepaalde standaard vielen, waardoor ze effectief twee groepen creëerden: zij die het goed doen en zij die worstelen. Het team wilde zien of de computers de worstelende groep vroegtijdig konden identificeren, met gebruik van alleen de gegevens die beschikbaar waren aan het begin van het semester, en om te bepalen welke specifieke factoren de sterkste indicatoren van problemen waren.
De resultaten gaven een duidelijk beeld van wat een succesvolle student onderscheidt van een student die in gevaar is. Van de 400 bestudeerde studenten werd bijna één op de vier als risicovol geïdentificeerd. Wanneer de onderzoekers de gegevens nauwkeurig bekeken, ontdekten ze dat de studenten die worstelden een zeer specifiek profiel deelden. Ze waren de universiteit binnengekomen met lagere scores op het toelatingsexamen, maar nog belangrijker: hun prestaties tijdens het eerste semester waren een veel sterker signaal van toekomstige problemen. De krachtigste voorspeller was het gemiddelde cijfer (GPA) van het eerste semester; studenten die een risico liepen hadden een gemiddelde score van 2,43, terwijl zij die het goed deden gemiddeld 3,24 haalden. Het aantal vakken dat een student eerder had niet gehaald, ook wel bekend als 'carryover'-vakken, was de tweede belangrijkste factor. Studenten die een risico liepen, hadden gemiddeld 2,5 vakken niet gehaald, vergeleken met slechts één voor hun leeftgenoten. Andere factoren zoals scores op voortgangstoetsen en de aanwezigheid bij colleges speelden ook een rol, waarbij worstelende studenten minder lessen volgden en lager scoorden op lopende toetsen. Interessant genoeg lieten de gegevens zien dat het geslacht van een student of de specifieke wijze waarop zij de universiteit binnenkwamen, niet hielp bij het voorspellen van wie er zou worstelen, wat suggereert dat academisch gedrag in deze setting veel belangrijker is dan demografische achtergrond.
Om de beste manier te vinden om deze voorspellingen te doen, vergeleken de onderzoekers vier verschillende machine learning-technieken, die elk het probleem op een iets andere manier benaderen. Eén methode, een decision forest genoemd, bouwt veel eenvoudige beslissingsbomen om een collectieve gok te doen. Een andere, bekend als een support vector machine, probeert een complexe lijn te trekken die de worstelende studenten van de succesvolle studenten scheidt. Wanneer de modellen werden getest op nieuwe gegevens die ze nog nooit hadden gezien, waren de resultaten verrassend. Het model dat het best presteerde tijdens de initiële trainingsfase, hield het niet zo goed stand toen het werd geconfronteerd met nieuwe studenten. In plaats daarvan bleken de support vector machine en een methode genaamd logistische regressie de meest betrouwbare te zijn. De support vector machine identificeerde correct 16 van de 20 worstelende studenten in de testgroep, waarbij slechts vier werden gemist, terwijl het aantal valse alarmen—studenten die als worstelend werden aangemerkt terwijl ze het eigenlijk goed deden—relatief laag bleef. De computermodellen waren in staat om tussen de twee groepen te onderscheiden met een hoge mate van nauwkeurigheid, wat bewees dat de patronen in de gegevens echt en consistent waren.
De studie onderzocht ook diepgaand waarom de modellen de beslissingen namen, om er zeker van te zijn dat de resultaten niet slechts een statistische truc waren, maar een weerspiegeling vormden van echte educatieve dynamiek. De analyse bevestigde dat wat een student tijdens het eerste semester doet, veelzeggender is dan waar zij begonnen. Hoewel de scores op het toelatingsexamen er wel toe deden, werden ze overschaduwd door hoe de student zich daadwerkelijk in de klas manifesteerde. De computer leerde dat een laag gemiddeld cijfer, een hoog aantal niet-gehaalde vakken en een slechte aanwezigheid de sterkste signalen waren dat een student in de problemen zat. Dit sluit aan bij het idee dat leren een actief proces is; studenten die zich niet verdiepen in hun studie, lessen missen of in het begin het materiaal niet begrijpen, zijn degenen die de meeste hulp nodig hebben. De onderzoekers merkten op dat hoewel de modellen zeer effectief waren in het opsporen van deze patronen, ze moeten worden beschouwd als een hulpmiddel om het menselijk oordeel te ondersteunen, en niet om het te vervangen. Een computer kan een student aanmerken voor aandacht, maar het zijn de adviseurs en docenten van de universiteit die de nodige begrip en ondersteuning moeten bieden die daarop volgt.
Uiteindelijk demonstreert dit onderzoek dat universiteiten de gegevens die zij al verzamelen kunnen gebruiken om een vangnet voor hun studenten te bouwen. Door zich te richten op vroege indicatoren zoals cijfers van het eerste semester en de aanwezigheid bij colleges, kunnen instellingen studenten identificeren die waarschijnlijk zullen worstelen lang voordat ze zakken voor een eindexamen. De studie suggereert dat de Nnamdi Azikiwe Universiteit, en andere zoals deze, deze vroege waarschuwingssystemen zou kunnen implementeren om hun academische advisering te sturen. In plaats van te wachten tot er een crisis uitbreekt, zouden medewerkers contact kunnen opnemen met studenten op het moment dat de gegevens laten zien dat zij van koers afwijken. De bevindingen bieden een praktisch pad vooruit: gebruik de patronen in de dossiers om tijdige interventie te triggeren, zodat de studenten die de meeste hulp nodig hebben, die ook ontvangen voordat hun academische moeilijkheden onoverkomelijk worden.
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.