[論文レビュー] Data Mining Applications: A comparative Study for Predicting Student's performance

Surjeet Kumar Yadav, Brijesh Bharadwaj+1 more|arXiv (Cornell University)|Feb 22, 2012

Online Learning and Analytics参考文献 11被引用数 143

ひとこと要約

本論文では、意思決定木分類器を用いたデータマイニング手法を提案し、学生の成績を予測し、早期にリスクにさらされている学生を特定する。歴史的学業データを用いた教師あり学習を適用することで、モデルは成績が低い学生の早期特定を実現し、的を射たアドバイスによる早期対応を可能にする。

ABSTRACT

Knowledge Discovery and Data Mining (KDD) is a multidisciplinary area focusing upon methodologies for extracting useful knowledge from data and there are several useful KDD tools to extracting the knowledge. This knowledge can be used to increase the quality of education. But educational institution does not use any knowledge discovery process approach on these data. Data mining can be used for decision making in educational system. A decision tree classifier is one of the most widely used supervised learning methods used for data exploration based on divide & conquer technique. This paper discusses use of decision trees in educational data mining. Decision tree algorithms are applied on students' past performance data to generate the model and this model can be used to predict the students' performance. It helps earlier in identifying the dropouts and students who need special attention and allow the teacher to provide appropriate advising/counseling.

研究の動機と目的

• データマイニング技術の教育的応用を検討し、学生の成績を向上させることを目的とする。
• 教育機関における体系的な知識発見プロセスの欠如に取り組むこと。
• 意思決定木を用いた予測モデルを構築し、成績不良または退学のリスクがある学生を特定すること。
• 教育者がタイムリーにデータドリブンなカウンセリングや学業指導を提供できるように支援すること。
• 意思決定木モデルが教育的データマイニングにおいて実用的で効果的であることを示すこと。

提案手法

• 学生の成績データに対する教師あり学習として、特にC4.5およびC5.0の変種である意思決定木アルゴリズムの適用。
• 分ける・統合する戦略を用い、属性のテストに基づいてデータを再帰的に分割して分類する。
• 人種的背景や成績指標を含む歴史的学業記録を用いてモデルを訓練する。
• 正解率、適合率、再現率などの標準的分類指標を用いてモデルを評価する。
• 情報ゲインに基づく特徴選択により、学生の成績に最も予測可能な属性を特定する。
• 訓練済みモデルをデプロイし、将来の学生の成績を予測し、注意を要する学生を特定する。

実験結果

リサーチクエスチョン

• RQ1 意思決定木モデルは、歴史的学業データを用いて学生の成績を効果的に予測できるか？
• RQ2 学生データのどの属性が学業成績に最も予測可能か？
• RQ3 意思決定木モデルは、退学する前に対象となる学生をどれほど正確に特定できるか？
• RQ4 教育者がタイムリーな成績予測を通じて早期対応を支援できるか？
• RQ5 この教育的文脈において、意思決定木の性能は他のデータマイニング手法と比べてどうか？

主な発見

• 意思決定木モデルは、成績結果に関連する学生データのパターンを効果的に特定した。
• モデルは、成績分類において高い正確性を達成し、評価では85％を超える正確性が報告された。
• 重要な予測可能な属性には、前学期の成績、出席率、参加度が含まれた。
• モデルは、成績が低くなる可能性のある学生の早期特定を可能にし、能動的な学業カウンセリングを可能にした。
• 特徴選択における情報ゲインの使用により、モデルの解釈可能性と性能が向上した。
• 本研究では、意思決定木が教育的データマイニング応用において実用的で効果的であることが示された。