Nguồn tham khảo: Vo Duc Quang, Nguyen Thi Lan Anh, Mai Hong Man, & Cao Thanh Son (2020). Applying machine learning techniques on imbalanced datasets for early prediction of high school student dropout. Vinh University Journal of Science, 49(2A). https://doi.org/10.56824/vujs.2020nt22
Truy cập toàn văn: https://doi.org/10.56824/vujs.2020nt22
Tóm tắt nội dung
Bài báo của Vo Duc Quang, Nguyen Thi Lan Anh, Mai Hong Man và Cao Thanh Son, đăng trên Tạp chí Khoa học Trường Đại học Vinh, giải quyết bài toán phân lớp trên dữ liệu mất cân bằng để dự báo sớm học sinh bỏ học. Đối tượng ở đây là học sinh trung học phổ thông tại Nghệ An, không phải sinh viên đại học. Nhóm tác giả đề xuất mô hình kết hợp kỹ thuật SMOTE với thuật toán AdaBoost cho cây quyết định.
Về nguyên lý, SMOTE sinh thêm mẫu tổng hợp cho lớp thiểu số, còn AdaBoost tăng cường các bộ phân lớp yếu qua nhiều vòng huấn luyện. Mô hình đề xuất được so sánh với cây quyết định dùng chỉ số Gini và entropy, trên dữ liệu thu thập tại Trường THPT Đông Hiếu, thị xã Thái Hòa, Nghệ An giai đoạn 2014–2019. Phần tóm tắt của bài không công bố số liệu so sánh cụ thể giữa các mô hình. Theo nhóm tác giả, kết quả có thể làm khung phát triển ứng dụng hỗ trợ dự báo sớm khả năng bỏ học, giúp cán bộ quản lý phân tích và đưa ra giải pháp giảm tỷ lệ bỏ học.
Với bài toán dự báo sinh viên bỏ học, đây là một nghiên cứu trong nước đặt vấn đề dữ liệu mất cân bằng vào trung tâm, và cách kết hợp tái lấy mẫu với học tăng cường có thể được tham khảo khi xây dựng mô hình cho bậc đại học.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Ở bậc phổ thông, SMOTE kết hợp AdaBoost đã được dùng cho dữ liệu mất cân bằng của một trường THPT ở Nghệ An (Vo Duc Quang và cộng sự, 2020).
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