AI Research Hub
Quay về trang chủ
Tài liệu

Ortiz-Lozano et al. (2018) — University student retention: Best time and data to identify undergraduate students at risk of dropout

28 tháng 9, 20261 lượt xemTác giả: Trần Đắc Lộc

José María Ortiz-Lozano, Antonio Rua-Vieites, Paloma Bilbao-Calabuig và Martí Casadesús-Fa nhận thấy rất ít nghiên cứu về giữ chân sinh viên trả lời hai câu hỏi thực tế: khi nào là thời điểm tốt……

Nguồn tham khảo: Ortiz-Lozano, J. M., Rua-Vieites, A., Bilbao-Calabuig, P., & Casadesús-Fa, M. (2018). University student retention: Best time and data to identify undergraduate students at risk of dropout. Innovations in Education and Teaching International, 57(1), 74–85. https://doi.org/10.1080/14703297.2018.1502090

Truy cập toàn văn: https://doi.org/10.1080/14703297.2018.1502090


Tóm tắt nội dung

José María Ortiz-Lozano, Antonio Rua-Vieites, Paloma Bilbao-Calabuig và Martí Casadesús-Fa nhận thấy rất ít nghiên cứu về giữ chân sinh viên trả lời hai câu hỏi thực tế: khi nào là thời điểm tốt nhất để nhận diện sinh viên có nguy cơ thôi học, và nên dùng loại dữ liệu nào. Nghiên cứu dùng cây phân loại với cả dữ liệu nhân khẩu học – xã hội lẫn dữ liệu học tập của 935 sinh viên năm thứ nhất tại một trường kỹ thuật ở Tây Ban Nha.

Các mô hình được xây dựng từ thông tin thu thập tại ba thời điểm trong học kỳ đầu tiên. Kết quả củng cố các nghiên cứu trước về sự cần thiết của can thiệp ngay trong năm đầu để phòng tránh việc không hoàn thành chương trình. Dữ liệu kết quả học tập là biến dự báo tốt. Ngoài ra, theo dõi học tập xuyên suốt học kỳ đầu giúp tăng độ chính xác dự báo, điều này đặt ra nghi vấn với yêu cầu nhận diện sinh viên có nguy cơ “càng sớm càng tốt”.

Nói cách khác, có sự đánh đổi giữa thời điểm cảnh báo và chất lượng cảnh báo. Đối với bài toán dự báo sinh viên bỏ học, tài liệu gợi ý nên thiết kế hệ thống cảnh báo theo nhiều mốc trong năm học, cập nhật dự báo khi có thêm dữ liệu học tập thay vì chỉ chạy mô hình một lần vào đầu khóa.


Luận điểm liên quan trong bài viết chính

Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Đây cũng là lý do Ortiz-Lozano và cộng sự (2018) xây dựng mô hình ở ba thời điểm khác nhau ngay trong học kỳ đầu của năm nhất và ủng hộ can thiệp sớm. Kết luận này khớp với nghiên cứu của Ortiz-Lozano và cộng sự (2018): dữ liệu học tập sớm là biến dự báo tốt và can thiệp nên diễn ra ngay trong năm nhất.

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

Chia sẻ:

Bình luận

Đang tải bình luận...