Nguồn tham khảo: Albreiki, B., Zaki, N., & Alashwal, H. (2021). A Systematic Literature Review of Student’ Performance Prediction Using Machine Learning Techniques. Education Sciences, 11(9), 552. https://doi.org/10.3390/educsci11090552
Truy cập toàn văn: https://doi.org/10.3390/educsci11090552
Tóm tắt nội dung
Albreiki, Zaki và Alashwal (2021) thực hiện một tổng quan hệ thống về dự báo kết quả học tập của sinh viên bằng kỹ thuật học máy. Bối cảnh là các trường đại học hoạt động trong môi trường cạnh tranh và phức tạp, phải phân tích kết quả học tập, bảo đảm chất lượng và có kế hoạch can thiệp giúp sinh viên vượt khó. Khai phá dữ liệu giáo dục (educational data mining, EDM) cung cấp công cụ để hiểu môi trường học tập thông qua dữ liệu.
Tổng quan tập trung vào các công trình EDM về nhận diện sinh viên bỏ học và sinh viên có nguy cơ trong giai đoạn 2009–2021. Nhiều kỹ thuật học máy khác nhau đã được dùng để dự báo sinh viên có nguy cơ và bỏ học. Phần lớn nghiên cứu dựa trên hai loại dữ liệu: dữ liệu từ cơ sở dữ liệu của các trường cao đẳng, đại học và dữ liệu từ nền tảng học trực tuyến. Các tác giả kết luận rằng học máy là công cụ thiết yếu trong dự báo sinh viên có nguy cơ và tỷ lệ bỏ học, qua đó góp phần cải thiện kết quả học tập.
Với bài toán dự báo bỏ học, tài liệu là bản đồ tổng quát về các hướng tiếp cận đã có, giúp định vị nghiên cứu mới và chọn nguồn dữ liệu, dù vẫn cần đọc công trình gốc để so sánh chi tiết về thuật toán và thước đo.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Albreiki và cộng sự (2021) rà soát các nghiên cứu nhận diện sinh viên có nguy cơ và bỏ học giai đoạn 2009–2021, ghi nhận phần lớn dùng hai loại dữ liệu: cơ sở dữ liệu của trường và dữ liệu nền tảng học trực tuyến.
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp