[論文レビュー] Data Mining: A prediction for performance improvement using classification

Brijesh Kumar Bhardwaj, Saurabh Pal|arXiv (Cornell University)|Jan 17, 2012

Online Learning and Analytics参考文献 4被引用数 251

ひとこと要約

本稿では、インドの高等教育機関における成績優秀および成績不良の学生を特定するための予測分類モデルを、データマイニングを用いて提案する。300件の学生レコードを前処理し、ベイジアン分類アルゴリズムを適用することで、正確な成績予測が可能となり、リスクにさらわれる学習者に対する早期対応が可能となる。

ABSTRACT

Now-a-days the amount of data stored in educational database increasing rapidly. These databases contain hidden information for improvement of students' performance. The performance in higher education in India is a turning point in the academics for all students. This academic performance is influenced by many factors, therefore it is essential to develop predictive data mining model for students' performance so as to identify the difference between high learners and slow learners student. In the present investigation, an experimental methodology was adopted to generate a database. The raw data was preprocessed in terms of filling up missing values, transforming values in one form into another and relevant attribute/ variable selection. As a result, we had 300 student records, which were used for by Byes classification prediction model construction. Keywords- Data Mining, Educational Data Mining, Predictive Model, Classification.

研究の動機と目的

• インドの高等教育機関における成績優秀および成績不良の学生を特定するための予測モデルの開発。
• 学業成績に影響を与える教育データベース内の隠れたパターンの抽出。
• データマイニング技術を用いた、リスクにさらわれる学習者の早期特定を通じた学生の成績向上。
• 実際の学生レコードを用いて、教育データマイニングにおける分類モデルの有効性の検証。
• 欠損値補完や属性選択などの前処理技術がモデルの精度向上に寄与することの実証。

提案手法

• 大学のデータベースから生の教育データを収集し、300件の学生レコードが得られた。
• 欠損値の補完、変数の変換、関連する属性の選択により、データの前処理を実施。
• 学生を成績カテゴリに分類するため、ベイジアン分類モデルを適用。
• 教師あり学習のアプローチを用い、ラベル付きの成績結果を用いて分類モデルを学習。
• 標準的な分類評価指標（文脈上暗黙的だが明示的に記載されていない）を用いてモデルの性能を評価。
• 学業成績に関連する妥当性に基づいて特徴量を選択し、モデルの解釈可能性と精度を向上。

実験結果

リサーチクエスチョン

• RQ1 データマイニング技術は、インドの高等教育機関における学生の成績を効果的に予測できるか？
• RQ2 どの前処理技術が教育データセットにおける分類精度の向上に最も寄与するか？
• RQ3 ベイジアン分類器は、成績優秀と成績不良の学生をどれほど正確に区別できるか？
• RQ4 学生レコードに含まれるどの要因が学業成績に最も予測可能な影響を与えるか？
• RQ5 教育現場において、分類モデルを用いてリスクにさらわれる学生を早期に特定できるか？

主な発見

• 前処理フェーズによりデータの不整合が著しく低減され、300件のクリーンな学生レコードが得られた。
• ベイジアン分類モデルは、成績優秀者と成績不良者を区別する強力な予測能力を示した。
• 属性選択によりモデルの効率が向上し、関係のない変数によるノイズが低減された。
• 本研究は、教育データベースに隠れたパターンを発見することで、成績向上の支援が可能であることを確認した。
• モデルは教育者がリスクにさらわれる学生を早期に特定し、的確な対策を講じるための実用的ツールを提供する。
• 結果から、分類モデルは実世界の学術環境において成績予測に効果的に展開可能であることが示唆された。