Dự báo kết quả học tập của sinh viên bằng phương pháp học sâu

Chỉ số đề mục

5

Lĩnh vực nghiên cứu

Khoa học giáo dục học nói chung, bao gồm cả đào tạo, sư phạm học, lý luận giáo dục,..

Dạng tài liệu

Tác giả

Nguyen Dinh Van, Nguyen Viet Tung, Ha Van Phuong, Nguyễn Việt Tùng⁽¹⁾

Nhan đề

Dự báo kết quả học tập của sinh viên bằng phương pháp học sâu

Nhan đề tiếng anh

Early educational performance prediction a deep learning approach

Nguồn trích

Khoa học và Công nghệ (Đại học Công nghiệp Hà Nội)

Năm xuất bản

2022

Số

6A

Trang

37-41

ISSN

1859-3585

Từ khóa

Kết quả học tập, Sinh viên, Phương pháp học sâu

Từ khóa tiếng anh

Education, machine learning, performance prediction, data analysis.

Tóm tắt

Dự đoán kết quả sớm là rất quan trọng đối với các nhà giáo dục để xác định những học sinh đang gặp khó khăn. Điều này đặc biệt quan trọng trong một trường đại học nơi sinh viên giỏi có thể có thành tích kém do nhiều thách thức bên ngoài. Tuy nhiên, có sự khác biệt rất lớn về chương trình, chính sách cũng như văn hóa giữa các trường đại học. Những khác biệt này góp phần đáng kể vào kết quả học tập của học sinh. Do đó, để dự đoán chính xác kết quả học tập của sinh viên, việc thực hiện nghiên cứu cho từng trường đại học là cần thiết. Trong bài báo này, nhóm tác giả đã phân tích hồ sơ của gần 400 sinh viên trong 7 học kỳ của cùng một chuyên ngành tại Trường Đại học Bách khoa Hà Nội. Vì chính sách bảo mật thông tin của nhà trường, nhóm tác giả chỉ nhận được các thông tin về kết quả học tập của sinh viên. Ngoài ra, do kích thước bộ dữ liệu còn khiêm tốn, sự mất cân bằng trong dữ liệu là hoàn toàn có thể xảy ra. Do đó, chúng tôi đề xuất sử dụng thuật toán Borderline SMOTE để giảm sự mất cân bằng của tập dữ liệu. Sau đó, dữ liệu được đưa vào một mạng nơ-ron học sâu để dự đoán kết quả học tập của học sinh trong năm thứ 4 dựa trên điểm số của các năm trước đó. Kết quả thu về cho thấy mạng học sâu có thể dự báo chính xác kết quả học tập năm thứ 4 đến 77%.

Tóm tắt tiếng anh

Early performance prediction is crucial for educators to identify struggling students. This is especially important in a university where good students can perform badly due to multiple external challenges. However, there are huge differences in terms of programs, policies as well as culture between universities. These differences contribute significantly to students’ academic performance. Thus, it is important to address different universities separately to predict students’ performance accurately. In this paper, an analysis of nearly 400 students’ records across 7 semesters of the same major in Hanoi University of Science and Technology is presented. Because of the university privacy policy, it is impossible to obtain students information other than their academic results. In addition, due to the modest size of the datasets, imbalanced data is expected. Hence, we propose to use the Borderline SMOTE algorithm to reduce the dataset’s imbalanced distribution. The data is then fed into a deep neural network to predict students’ performance of the 4th year based on their previous years’ scores. A promising result of 77% accuracy is achieved.

Kí hiệu kho

TTKHCNQG, CVt 70

File toàn văn

Xem toàn văn