ỨNG DỤNG CÁC MÔ HÌNH HỌC MÁY VÀO DỰ ĐOÁN TÌNH TRẠNG  BỎ HỌC CỦA SINH VIÊN

Nông Thị Hoa

doi:10.34238/tnu-jst.12201

ỨNG DỤNG CÁC MÔ HÌNH HỌC MÁY VÀO DỰ ĐOÁN TÌNH TRẠNG BỎ HỌC CỦA SINH VIÊN

Thông tin bài báo

Ngày nhận bài: 04/03/25 Ngày hoàn thiện: 11/06/25 Ngày đăng: 25/06/25

Các tác giả

Nông Thị Hoa , Trường Đại học Thủy Lợi

Tóm tắt

Ngày nay, số sinh viên nghỉ học ở các trường đại học ngày càng tăng do nhiều yếu tố bởi nhiều yếu tố ảnh hưởng đến sinh viên. Từ kết quả dự đoán sinh viên bỏ học, các trường học đưa ra các giải pháp hỗ trợ để các sinh viên đó kịp thời. Trong bài báo này, các mô hình học máy mới và hiệu quả nhất được áp dụng trên tập dữ liệu chuẩn để dự đoán các sinh viên bỏ học. Tập dữ liệu chuẩn quốc tế có 36 đặc trưng về kết quả học tập hai năm học đầu tiên và các yếu tố về xã hội. Các đặc trưng quan trọng đã được phân tích để cải thiện hiệu quả phân lớp của các mô hình học máy. Tập dữ liệu được tiền xử lý để phù hợp với các dữ liệu vào của từng mô hình học máy. Neural network, Random Forest, Support Vector Machine là các mô hình học máy được ứng dụng trong nghiên cứu này. Từng mô hình học máy được điều chỉnh bộ tham số để thu được kết quả phân lớp có độ chính xác cao nhất. Kết quả thực nghiệm cho thấy Random Forest là mô hình học máy phù hợp nhất cho bài toán với độ chính xác là 91,33%.

Từ khóa

Neural network; Random Forest; Support Vector Machine; Học máy; Dự đoán

Toàn văn:

PDF

Tài liệu tham khảo

[1] M. Vaarma and H. Li, “Predicting student dropouts with machine learning: An empirical study in Finnish higher education, ” Technology in Society, vol. 76, pp. 1-10, 2024.

[2] A. Ridwana and A. M. Priyatnob, “Predict Students' Dropout and Academic Success with XGBoost,” Journal of Education and Computer Applications, vol. 1, no. 2, pp. 1-8, 2024

[3] A. Villar and C. R. V. de Andrade, “Supervised machine learning algorithms for predicting student dropout and academic success: a comparative study,” Discover Artificial Intelligence, vol. 4, no. 2, pp. 1-24, 2024.

[4] D. Arora, “Predicting Students Academic Success and Dropout Using Supervised Machine Learning,” International Journal of Scientific Study, vol. 11, no. 6, pp. 72-78, 2023.

[5] V. Realinho, J. Machado, L. Baptista, and M. V. Martins, “Predicting Student Dropout and Academic Success,” Data, vol. 7, no. 146, pp. 1-17, 2022.

[6] T. Purwoningsih, H. B. Santoso, K. A. Puspitasari, and Z. A. Hasibuan, “Early Prediction of Students’ Academic Achievement: Categorical Data from Fully Online Learning on Machine-Learning Classification Algorithms,” Journal of Hunan University (Natural Sciences), vol. 48, no. 9, pp. 131-141, 2021.

[7] L. U. M. Huynh, T. T. Pham, and V. N. Nguyen, “Predicting students' ability to graduate on time: a case study at Dong Thap University,” (in Vietnamese), Vietnam Journal of Education, vol. 24, no. 1, pp. 48-53, 2024.

[8] H. S. Luu, T. D. Tran, T. H. Nguyen, and T. N. Nguyen, “Predicting learning outcomes using deep learning techniques with multi-layered neural networks,” (in Vietnamese), Journal of Science, Can Tho University, vol. 56, no. 3A, pp. 20-28, 2020.

[9] L. T. N. Huynh and T. N. Nguyen, “Student learning outcome prediction system using open source recommender system library MYMEDIALITE,” (in Vietnamese), National Conference of Information Technology, 2013, pp. 20-28.

DOI: https://doi.org/10.34238/tnu-jst.12201

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ