Coussement et al. (2020) — Predicting student dropout in subscription-based online learning environments: The beneficial impact of the logit leaf model

Nguồn tham khảo: Coussement, K., Phan, M., De Caigny, A., Benoit, D. F., & Raes, A. (2020). Predicting student dropout in subscription-based online learning environments: The beneficial impact of the logit leaf model. Decision Support Systems, 135, 113325. https://doi.org/10.1016/j.dss.2020.113325

Truy cập toàn văn: https://doi.org/10.1016/j.dss.2020.113325

Tóm tắt nội dung

Coussement, Phan, De Caigny, Benoit và Raes (2020) tìm cách cải thiện dự báo bỏ học trong môi trường học trực tuyến theo hình thức thuê bao, nơi tỷ lệ bỏ học cao làm giảm hiệu quả sư phạm và kinh tế. Nghiên cứu có ba đóng góp. Thứ nhất, nhóm tác giả so sánh mô hình logit leaf (LLM), vốn phân đoạn bằng cây quyết định rồi ước lượng hồi quy logistic trong từng phân đoạn, với tám thuật toán khác trên dữ liệu thực của 10.554 học viên thuộc một nhà cung cấp học trực tuyến toàn cầu.

LLM vượt các phương pháp còn lại ở khả năng cân bằng giữa hiệu năng dự báo và tính dễ hiểu. Thứ hai, bài báo đề xuất cách trực quan hóa đa tầng cho LLM, giàu thông tin hơn cách thông thường. Thứ ba, nghiên cứu làm rõ tác động của đặc điểm nhân khẩu học, đặc điểm lớp học và các biến gắn kết học tập, nhận thức và hành vi đối với bỏ học. Khi xem từng phân đoạn, các nhóm học viên có kiểu học khác nhau cho ra những kết luận khác nhau, và kết quả này có thể dùng để cá nhân hóa chiến dịch giữ chân.

Với bài toán dự báo sinh viên bỏ học, tài liệu cho thấy hồi quy logistic vẫn có chỗ đứng khi kết hợp với phân đoạn, và giải thích theo từng nhóm sinh viên đôi khi hữu ích hơn một bảng hệ số chung.

Luận điểm liên quan trong bài viết chính

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