Nguồn tham khảo: Lee, S., & Chung, J. Y. (2019). The Machine Learning-Based Dropout Early Warning System for Improving the Performance of Dropout Prediction. Applied Sciences, 9(15), 3093. https://doi.org/10.3390/app9153093
Truy cập toàn văn: https://doi.org/10.3390/app9153093
Tóm tắt nội dung
Sunbok Lee và Jae Young Chung tìm cách cải thiện hiệu năng của hệ thống cảnh báo sớm bỏ học, công cụ giúp nhà trường nhận diện trước học sinh có nguy cơ rời trường để kịp thời hỗ trợ. Trở ngại chính là sự mất cân bằng lớp vốn có giữa nhóm bỏ học và nhóm không bỏ học, khiến mô hình dự báo khó đạt độ chính xác. Nghiên cứu xử lý vấn đề theo hai hướng: dùng kỹ thuật sinh mẫu thiểu số tổng hợp SMOTE kết hợp với các phương pháp học tổ hợp, và đánh giá bộ phân loại bằng cả đường cong ROC lẫn đường cong precision–recall (PR).
Bốn mô hình được huấn luyện là rừng ngẫu nhiên, cây quyết định tăng cường (boosted decision tree) và hai phiên bản của chúng có kết hợp SMOTE, trên dữ liệu của 165.715 học sinh trung học phổ thông từ Hệ thống Thông tin Giáo dục Quốc gia (NEIS) của Hàn Quốc. Theo phân tích đường cong ROC và PR, cây quyết định tăng cường cho hiệu năng tối ưu. Cần lưu ý đối tượng là học sinh phổ thông, không phải sinh viên đại học.
Với bài toán dự báo sinh viên bỏ học, tài liệu hữu ích ở hai điểm: minh họa cách xử lý dữ liệu mất cân bằng trên quy mô lớn bằng tái lấy mẫu và học tổ hợp, và cho thấy nên dùng đường cong PR song song với ROC khi lớp cần phát hiện chiếm tỷ lệ nhỏ.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Lee và Chung (2019) kết hợp SMOTE với các phương pháp tổ hợp trên dữ liệu 165.715 học sinh trung học Hàn Quốc và đánh giá bằng cả đường cong ROC lẫn PR.
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