Nông Thị Hoa (2025) — Ứng dụng các mô hình học máy vào dự đoán tình trạng bỏ học của sinh viên

Nguồn tham khảo: Nông Thị Hoa (2025). Ứng dụng các mô hình học máy vào dự đoán tình trạng bỏ học của sinh viên. TNU Journal of Science and Technology, 230(07), 120–125. https://doi.org/10.34238/tnu-jst.12201

Truy cập toàn văn: https://doi.org/10.34238/tnu-jst.12201

Tóm tắt nội dung

Bài báo của Nông Thị Hoa xuất phát từ thực tế số sinh viên nghỉ học ở các trường đại học ngày càng tăng do nhiều yếu tố; nếu dự đoán được sinh viên có khả năng bỏ học, nhà trường có thể hỗ trợ kịp thời. Nghiên cứu áp dụng các mô hình học máy lên một tập dữ liệu chuẩn quốc tế gồm 36 đặc trưng về kết quả học tập hai năm đầu và các yếu tố xã hội. Tác giả phân tích các đặc trưng quan trọng để cải thiện hiệu quả phân lớp, đồng thời tiền xử lý dữ liệu cho phù hợp với đầu vào của từng mô hình.

Ba mô hình được áp dụng là mạng nơ-ron (Neural network), rừng ngẫu nhiên (Random Forest) và máy vectơ hỗ trợ (Support Vector Machine); mỗi mô hình đều được tinh chỉnh tham số để đạt độ chính xác phân lớp cao nhất. Kết quả thực nghiệm cho thấy rừng ngẫu nhiên là mô hình phù hợp nhất, với độ chính xác 91,33%. Với bài toán dự báo sinh viên có nguy cơ bỏ học, tài liệu là điểm đối chiếu trong nước về hiệu quả của rừng ngẫu nhiên và về quy trình phân tích đặc trưng, tinh chỉnh tham số.

Tuy nhiên, phần tóm tắt của bài chỉ báo cáo độ chính xác, nên cần xem thêm độ nhạy hay F1 trong toàn văn để đánh giá khả năng nhận diện nhóm bỏ học, vốn thường chiếm tỷ lệ nhỏ.

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