Nguồn tham khảo: Franco, T., Alves, P., Rufino, J., Pacheco, M., & Ribeiro, N. (2026). Temporal Stability in Student Dropout Prediction Using Weekly Learning Analytics. In Proceedings of the 15th International Conference on Data Science, Technology and Applications (tr. 629–636). https://doi.org/10.5220/0015173900004091
Truy cập toàn văn: https://doi.org/10.5220/0015173900004091
Tóm tắt nội dung
Tiago Franco, Paulo Alves, José Rufino, Maria Pacheco và Nuno Ribeiro (2026) đánh giá độ ổn định theo thời gian của mô hình dự báo sinh viên bỏ học dựa trên dữ liệu học tập theo tuần. Câu hỏi đặt ra là cấu hình mô hình tốt nhất có giữ nguyên khi thời điểm dự báo trong năm học thay đổi hay không. Dữ liệu thực lấy từ một cơ sở giáo dục đại học ở Bồ Đào Nha giai đoạn 2017–2023. Mô hình rừng ngẫu nhiên (random forest) được tối ưu siêu tham số bằng thuật toán di truyền; ba mô hình được tối ưu tại ba tuần học khác nhau rồi kiểm tra trên sinh viên năm 2023.
Cấu hình siêu tham số tối ưu thay đổi giữa các lát cắt thời gian, kéo theo khác biệt về hiệu năng. Cách tính xác suất bỏ học cộng dồn để theo dõi rủi ro qua thời gian giúp độ chính xác (precision) của cảnh báo sớm tăng 10–15%. Từ đó, bài ủng hộ các mô hình dự báo thích ứng, nhạy với thời điểm, phục vụ can thiệp và chiến lược giữ chân sinh viên. Phần tóm tắt của bài không nêu cỡ mẫu và các chỉ số hiệu năng khác.
Với hệ thống dự báo bỏ học, đây là bằng chứng từ môi trường đại học rằng cấu hình mô hình cố định khó dùng mãi, và gộp tín hiệu rủi ro theo thời gian giúp giảm cảnh báo nhầm.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Trong giáo dục, Franco và cộng sự (2026) dùng dữ liệu 2017–2023 của một cơ sở giáo dục đại học Bồ Đào Nha.
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