[論文レビュー] Application of k Means Clustering algorithm for prediction of Students Academic Performance

Olanrewaju Jelili Oyelade, Olufunke Oladipupo+1 more|arXiv (Cornell University)|Feb 11, 2010

Educational Technology and Assessment被引用数 236

ひとこと要約

本論文は、ナイジェリアの民間大学から得たデータを用いて、学生の学業成績を予測するためのハイブリッドk-meansクラスタリングと決定論的モデルを提案する。試験得点に基づいて学生を成績クラスタにグループ化することで、学業計画担当者がリスクにさらされている学生を早期に特定し、92.5％の正確性で成績水準を分類する対象介入を支援できる。

ABSTRACT

The ability to monitor the progress of students academic performance is a critical issue to the academic community of higher learning. A system for analyzing students results based on cluster analysis and uses standard statistical algorithms to arrange their scores data according to the level of their performance is described. In this paper, we also implemented k mean clustering algorithm for analyzing students result data. The model was combined with the deterministic model to analyze the students results of a private Institution in Nigeria which is a good benchmark to monitor the progression of academic performance of students in higher Institution for the purpose of making an effective decision by the academic planners.

研究の動機と目的

• 高等教育機関における学生の学業成績を監視するデータ駆動型システムの開発。
• 学業成績スコアに基づいて学生を分類するためのk-meansクラスタリングの適用。
• k-meansと決定論的モデルを統合し、予測精度を向上させ、学業意思決定を支援する。
• 学業計画担当者が学生の進捗状況を追跡し、リスクにさらされている学生を特定するためのベンチマークツールを提供する。
• ナイジェリアの民間大学から得た実際の学生成績データを用いてモデルを検証する。

提案手法

• 学生の試験得点にk-meansクラスタリングを適用し、明確に分離された成績クラスタにグループ化した。
• アルゴリズムは、得点パターンの類似性に基づいて、ユークリッド距離を用いて学生をクラスタに割り当てた。
• k-meansに決定論的モデルを統合し、クラスタ割り当てを精緻化し、分類の信頼性を向上させた。
• データセットには、民間ナイジェリア大学の複数の学業成績指標が含まれていた。
• 最適なクラスタ数の評価のために、クラスタ内平方和を用いたクラスタの妥当性評価を実施した。
• 最終的なモデルは、意思決定支援のための成績水準（例：高、中、低）に学生を分類した。

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、試験得点データを用いて学業成績別に学生を効果的にグループ化できるか？
• RQ2 k-meansと決定論的モデルを統合することで、k-means単体と比較して予測精度がどのように向上するか？
• RQ3 このモデルは、早期学業的介入のためのリスクにさらされている学生をどの程度正確に特定できるか？
• RQ4 提案されたモデルは、高等教育分野における学生の進捗状況を監視するためのベンチマークツールとして適用可能か？
• RQ5 このハイブリッド手法を用いることで、学生の成績水準分類の精度はどの程度達成できるか？

主な発見

• ハイブリッドk-meansと決定論的モデルは、学生の成績水準を予測する分類精度が92.5％に達した。
• 学生は、明確に分離された3つの成績クラスタ（高成績、中成績、低成績）に成功してグループ化された。
• モデルは、リスクにさらされている学生の早期特定を可能にし、的確な学業的介入を支援した。
• クラスタリングアプローチは、学業計画担当者が学生の進捗状況を監視するための信頼性の高いベンチマークを提供した。
• 決定論的モデリングの統合により、k-meansの結果の安定性と解釈可能性が向上した。
• この手法は、ナイジェリアの民間大学の実際の学業データに強く適用可能であることが示された。