[論文レビュー] Data Mining: A Prediction for Performance Improvement of Engineering Students using Classification

Surjeet Kumar Yadav, Saurabh Pal|arXiv (Cornell University)|Mar 17, 2012

Online Learning and Analytics参考文献 12被引用数 148

ひとこと要約

本論文では、分類アルゴリズム（C4.5、ID3、CART）を用いたデータマイニング手法を提案し、工学部の学生の最終試験における成績を予測し、早期介入を図るためのリスクを抱える学生を特定する。歴史的な学業データを分析することで、モデルは合格／不合格の結果を正確に予測でき、その後の学期における学生の成績に顕著な改善をもたらす、的確な支援が可能となった。

ABSTRACT

Now-a-days the amount of data stored in educational database increasing rapidly. These databases contain hidden information for improvement of students' performance. Educational data mining is used to study the data available in the educational field and bring out the hidden knowledge from it. Classification methods like decision trees, Bayesian network etc can be applied on the educational data for predicting the student's performance in examination. This prediction will help to identify the weak students and help them to score better marks. The C4.5, ID3 and CART decision tree algorithms are applied on engineering student's data to predict their performance in the final exam. The outcome of the decision tree predicted the number of students who are likely to pass, fail or promoted to next year. The results provide steps to improve the performance of the students who were predicted to fail or promoted. After the declaration of the results in the final examination the marks obtained by the students are fed into the system and the results were analyzed for the next session. The comparative analysis of the results states that the prediction has helped the weaker students to improve and brought out betterment in the result.

研究の動機と目的

• 最終試験前にリスクを抱える工学部の学生をデータマイニング技術を用いて同定すること。
• 教育データに分類アルゴリズムを適用し、学生の成績を予測すること。
• 弱い成績を示す学生の早期同定を通じて、学生の成績向上に役立つ実行可能なイン사이트を提供すること。
• 予測モデルの有効性が、時間の経過とともに学業成績を向上させることに寄与するかを評価すること。
• 教育機関が学生の成功を実現するためのデータドリブンな介入を導入するのを支援すること。

提案手法

• 歴史的な学業データに基づいて、学生の成績を分類する目的でC4.5、ID3、CARTの意思決定木アルゴリズムを適用した。
• 内部試験の得点、出席率、課題の成績などの特徴量を入力予測子として使用した。
• 試験前のデータを用いてモデルを訓練し、最終試験の結果を「合格」「不合格」「次年度への進級」の3クラスに分類して予測した。
• 標準的な分類指標（比較分析に裏付けられる）を用いてモデルの性能を評価した。
• モデルの改善と縦断的分析のため、試験後の結果をシステムに統合した。
• 予測結果と実際の結果の比較分析を通じて、モデルの有効性を検証した。

実験結果

リサーチクエスチョン

• RQ1 C4.5、ID3、CARTといった分類アルゴリズムは、初期の学業指標に基づいて工学部の学生の最終試験成績を正確に予測できるか？
• RQ2 C4.5、ID3、CARTは、合格・不合格・進級といった学生の成績結果を分類する上でどれほど効果的か？
• RQ3 予測モデリングは、リスクを抱える学生の早期同定および成績の改善をどの程度可能にするか？
• RQ4 予測分析を用いることで、学術的セッションを通じて学生の成績に顕著な改善が見られるか？
• RQ5 実際の結果からのフィードバックは、予測モデルの正確性と実用性をどの程度向上させるか？

主な発見

• 意思決定木モデルは、合格・不合格・次年度への進級の予測人数を的確に特定できた。
• 比較分析により、予測モデルの導入によって、その後の学術的セッションにおける学生の成績が改善されたことが示された。
• 予測によってリスクを抱える学生と同定された学生たちは、的確な支援を受けたことで成績を向上させた。
• 試験後の結果を統合することで、モデルの改善と縦断的分析が可能となり、システムの長期的有効性が裏付けられた。
• C4.5、ID3、CARTの使用により、学業成績予測のための信頼性の高い分類結果が得られた。
• 本研究は、データマイニング技術が工学教育における能動的な学業支援を支援できることを確認した。