Niyogisubizo et al. (2022) — Predicting student's dropout in university classes using two-layer ensemble machine learning approach: A novel stacked generalization

Nguồn tham khảo: Niyogisubizo, J., Liao, L., Nziyumva, E., Murwanashyaka, E., & Nshimyumukiza, P. C. (2022). Predicting student's dropout in university classes using two-layer ensemble machine learning approach: A novel stacked generalization. Computers and Education: Artificial Intelligence, 3, 100066. https://doi.org/10.1016/j.caeai.2022.100066

Truy cập toàn văn: https://doi.org/10.1016/j.caeai.2022.100066

Tóm tắt nội dung

Jovial Niyogisubizo và các cộng sự coi bỏ học là vấn đề toàn cầu, ảnh hưởng tới người bỏ học, nhà trường, gia đình và xã hội; trong thời kỳ dữ liệu lớn, dự báo bỏ học từ dữ liệu giáo dục đang là chủ đề được quan tâm. Nhóm tác giả chỉ ra rằng các nghiên cứu trước thường tập trung vào từng cấp độ riêng như cá nhân, trung học cơ sở hay đại học, còn học tổ hợp chưa được chú ý nhiều trong dự báo bỏ học ở các lớp học đại học với tập dữ liệu hiếm.

Bài báo đề xuất một mô hình xếp chồng (stacking) hai tầng, lai ghép rừng ngẫu nhiên (RF), Extreme Gradient Boosting (XGBoost), Gradient Boosting (GB) và mạng nơ-ron truyền thẳng (FNN). Dữ liệu được thu thập từ năm 2016 đến 2020 tại Đại học Constantine the Philosopher ở Nitra. Trong cùng điều kiện thử nghiệm, phương pháp đề xuất tốt hơn các mô hình cơ sở theo độ chính xác trên tập kiểm tra và diện tích dưới đường cong (AUC). Theo nhóm tác giả, kết quả giúp nhận diện sinh viên có nguy cơ dựa trên các yếu tố ảnh hưởng để các bên liên quan can thiệp sớm.

Với bài toán dự báo sinh viên bỏ học, tài liệu là ví dụ cụ thể về việc kết hợp XGBoost, rừng ngẫu nhiên và mạng nơ-ron trong một kiến trúc tổ hợp, đồng thời cho thấy nên báo cáo AUC bên cạnh độ chính xác.

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