Nguồn tham khảo: Kim, K. W., Kim, C., & Kim, H. G. (2026). Balancing Dropout Candidate Coverage and Counseling Burden in University Student Dropout Prediction. Electronics, 15(13), 2896. https://doi.org/10.3390/electronics15132896
Truy cập toàn văn: https://doi.org/10.3390/electronics15132896
Tóm tắt nội dung
Kim, Kim và Kim (2026) nhận thấy mô hình dự báo bỏ học thường được đánh giá bằng các thước đo như F1, nhưng mô hình có F1 cao nhất chưa chắc cho danh sách tư vấn hữu ích nhất khi nhà trường ít cán bộ tư vấn. Nghiên cứu xem xét đánh đổi giữa độ bao phủ (tỷ lệ sinh viên bỏ học thật nằm trong danh sách) và gánh nặng tư vấn (độ dài danh sách). Phương pháp dùng mô hình có độ nhạy (recall) cao nhất để xác định mức bao phủ mục tiêu, rồi chỉnh ngưỡng cho từng mô hình và chọn mô hình có độ chính xác (precision) cao nhất ở mức đó.
Mức bao phủ mục tiêu, các ngưỡng và mô hình cuối đều chỉ dựa trên dữ liệu huấn luyện và kiểm định; tập kiểm tra dành riêng cho lần đánh giá cuối. Phương pháp được thử với 28 mô hình ứng viên thuộc nhiều thuật toán và cách lấy mẫu. Ở lần chia dữ liệu chính, LightGBM kết hợp SMOTE cho độ bao phủ 0,939 với danh sách 569 sinh viên. Khi lặp lại với nhiều seed ngẫu nhiên khác nhau, phương pháp giữ độ bao phủ tương đương mô hình F1 cao nhất đã chỉnh ngưỡng nhưng giảm dương tính giả và rút gọn danh sách. Đây là tài liệu sát nhất với khâu chọn ngưỡng, vì nó chuyển câu hỏi từ “mô hình nào chính xác nhất” sang “danh sách nào vừa với năng lực tư vấn”.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Kim và cộng sự (2026) chỉ ra rằng mô hình có F1 cao nhất không nhất thiết cho danh sách ứng viên bỏ học hữu ích nhất khi nguồn lực tư vấn có hạn, và đề xuất chọn ngưỡng dựa trên độ bao phủ mục tiêu và gánh nặng tư vấn, với toàn bộ việc chọn ngưỡng làm trên dữ liệu huấn luyện/xác thực.
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