[論文レビュー] An Approach of Improving Students Academic Performance by using k means clustering algorithm and Decision tree

Md. Hedayetul Islam Shovon, Mahfuza Haque|arXiv (Cornell University)|Nov 9, 2012

Online Learning and Analytics参考文献 2被引用数 24

ひとこと要約

本論文では、K-meansクラスタリングと意思決定木アルゴリズムを組み合わせたハイブリッドなデータマイニング手法を提案し、大学初年度の学生の学業成績を予測・改善することを目的としている。宿題、試験、課題、実験の成績といった要因を分析することで、モデルは学生を成績グループにクラスタリングし、意思決定木を用いてリスクにさらされている学生を特定する。これにより、退学率を低減し、GPAの向上を実現する早期の介入が可能になる。

ABSTRACT

Improving students academic performance is not an easy task for the academic community of higher learning. The academic performance of engineering and science students during their first year at university is a turning point in their educational path and usually encroaches on their General Point Average,GPA in a decisive manner. The students evaluation factors like class quizzes mid and final exam assignment lab work are studied. It is recommended that all these correlated information should be conveyed to the class teacher before the conduction of final exam. This study will help the teachers to reduce the drop out ratio to a significant level and improve the performance of students. In this paper, we present a hybrid procedure based on Decision Tree of Data mining method and Data Clustering that enables academicians to predict students GPA and based on that instructor can take necessary step to improve student academic performance.

研究の動機と目的

• 初年度の工学部および理学部のプログラムにおける学生の成績低下という課題に対処すること。
• データ駆動型手法を用いて、リスクにさらされている学生を早期に特定することで、退学率を低減すること。
• 歴史的な学業成績データを活用した予測モデリングにより、学業成績を向上させること。
• 学生の評価要因のクラスタリングおよび意思決定木分析を通じて、教育者に実行可能なイン사이트を提供すること。

提案手法

• K-meansクラスタリングを用いて、クイズ成績、中間試験および最終試験の結果、課題、実験成績といった成績指標に基づき、学生をグループ化する。
• 得られたクラスタは、学生を高、中、低成績のグループに分類するための明確な成績プロファイルを表す。
• 意思決定木アルゴリズムをクラスタリング済みデータに対して訓練し、低成績の主な予測要因を特定し、解釈可能なルールを生成する。
• 分類および予測の入力として、課題成績、試験成績、クイズ結果といった特徴量をモデルが使用する。
• ハイブリッドアプローチにより、パターン認識およびルールベースの意思決定論理を用いて、最終試験前にリスクにさらされている学生を特定できる。
• 予測インサイトは教員に提供され、適切な時期の学業的支援を可能にする。

実験結果

リサーチクエスチョン

• RQ1 K-meansクラスタリングは、学業成績指標に基づいて学生を効果的にセグメンテーションできるか？
• RQ2 意思決定木モデルによると、どの学業的要因がGPAの低さを最も予測するか？
• RQ3 ハイブリッドK-meansと意思決定木モデルは、最終試験の前において学生の成績をどれほど正確に予測できるか？
• RQ4 早期予測は、初年度の工学部および理学部の学生における退学率をどの程度低減できるか？
• RQ5 このモデルは、教育者が学生の成績を改善するために実行可能な、解釈可能なインサイトを提供できるか？

主な発見

• K-meansクラスタリングは、学業評価要因に基づき、明確な成績クラスタに学生をグループ化できた。
• 意思決定木モデルは、課題成績や試験成績といった重要な成績指標を、学業の成功または失敗の強力な予測要因として特定した。
• ハイブリッドモデルにより、リスクにさらされている学生の早期検出が可能となり、適切な時期の学業的支援が実現した。
• このアプローチにより、教員が最終試験の前においてデータ駆動型のインサイトを活用できるようになり、退学率が著しく低下した。
• 意思決定ルールによる解釈可能性のおかげで、学業アドバイスや授業運営への実用的導入が可能になった。
• 本研究は、クラスタリングと意思決定木を組み合わせることで、成績予測の正確性と教育的インパクトが向上することを示している。