Nguồn tham khảo: Kemper, L., Vorhoff, G., & Wigger, B. U. (2020). Predicting student dropout: A machine learning approach. European Journal of Higher Education, 10(1), 28–47. https://doi.org/10.1080/21568235.2020.1718520
Truy cập toàn văn: https://doi.org/10.1080/21568235.2020.1718520
Tóm tắt nội dung
Lorenz Kemper, Gerrit Vorhoff và Berthold U. Wigger kiểm tra xem có thể dự báo sinh viên bỏ học chỉ từ dữ liệu thi cử hay không, loại dữ liệu trường đại học nào cũng có sẵn mà không cần thu thập riêng. Bối cảnh nghiên cứu là Viện Công nghệ Karlsruhe (KIT). Nhóm tác giả so sánh hai cách tiếp cận học máy là hồi quy logistic và cây quyết định, qua đó đề xuất một quy trình tương đối dễ áp dụng ở các cơ sở đào tạo khác.
Kết quả cho thấy cây quyết định nhỉnh hơn hồi quy logistic một chút, nhưng cả hai đều đạt độ chính xác cao, lên tới 95% sau ba học kỳ. Ngay sau học kỳ đầu tiên, độ chính xác phân loại đã vượt 83%. Hai con số này cho thấy độ chính xác tăng dần khi dữ liệu học vụ tích lũy, trong khi mức đạt được sau học kỳ đầu vẫn đủ để tính tới can thiệp sớm. Đối với bài toán dự báo sinh viên có nguy cơ bỏ học, tài liệu là tham chiếu thực tế về việc dùng dữ liệu học vụ sẵn có làm đầu vào, về sự đánh đổi giữa phát hiện sớm và độ chính xác, và về việc giữ hồi quy logistic làm mô hình nền bên cạnh các mô hình cây; người đọc cũng nên lưu ý rằng độ chính xác tổng thể chưa phản ánh đủ khả năng nhận diện nhóm bỏ học.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Kemper và cộng sự (2020) cũng ghi nhận độ chính xác dự báo bỏ học tại Viện Công nghệ Karlsruhe tăng dần theo số học kỳ có dữ liệu thi.
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