Pellagatti et al. (2021) — Generalized mixed‐effects random forest: A flexible approach to predict university student dropout

Nguồn tham khảo: Pellagatti, M., Masci, C., Ieva, F., & Paganoni, A. M. (2021). Generalized mixed‐effects random forest: A flexible approach to predict university student dropout. Statistical Analysis and Data Mining: The ASA Data Science Journal, 14(3), 241–257. https://doi.org/10.1002/sam.11505

Truy cập toàn văn: https://doi.org/10.1002/sam.11505

Tóm tắt nội dung

Massimo Pellagatti, Chiara Masci, Francesca Ieva và Anna M. Paganoni đề xuất phương pháp thống kê mới gọi là rừng ngẫu nhiên hiệu ứng hỗn hợp tổng quát (GMERF), mở rộng rừng ngẫu nhiên sang dữ liệu phân cấp, áp dụng được cho mọi loại biến phản hồi thuộc họ phân phối mũ. Dữ liệu giáo dục thường có cấu trúc lồng nhau, chẳng hạn sinh viên thuộc các chương trình đào tạo khác nhau, điều mà rừng ngẫu nhiên thông thường không tính đến.

GMERF giữ được sự linh hoạt và khả năng mô hình hóa quan hệ phức tạp của các phương pháp tổ hợp dựa trên cây, xử lý được cả biến liên tục lẫn rời rạc. Đồng thời, phương pháp mô hình hóa sự phụ thuộc ở cấp cao nhất của hệ phân cấp và cho phép suy luận thống kê trên cấu trúc đó. Trong nghiên cứu tình huống, nhóm tác giả áp dụng GMERF cho dữ liệu giáo dục đại học để phân tích hiện tượng bỏ học: mô hình dự báo xác suất bỏ học của sinh viên ngành kỹ thuật từ thông tin cấp cá nhân, với chương trình đào tạo sinh viên theo học làm yếu tố phân nhóm.

Với bài toán dự báo sinh viên bỏ học, tài liệu cho thấy cách kết hợp sức mạnh dự báo của rừng ngẫu nhiên với việc ghi nhận khác biệt giữa các ngành, tình huống thường gặp khi dữ liệu được gộp từ nhiều khoa, nhiều chương trình trong cùng một trường.

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