[論文レビュー] Data Mining on Educational Domain

Rudresh Deepak Shirwaikar, Nikhil Rajadhyax|arXiv (Cornell University)|Jul 6, 2012

Data Mining Algorithms and Applications参考文献 3被引用数 7

ひとこと要約

本論文は、インド・ゴアのシュリー・ラエシュワル工科・情報技術研究所（SRIEIT）における学業成績の分析のためのデータマイニング手法を提示している。決定木を用いて学生を成績カテゴリ（優、平均、不良）に分類し、クラスタリングを用いて学生のグループ化を特定する。この手法により、教科と成績の関係や学生の学習パターンを明らかにし、教職課程におけるリソース配分や指導戦略の改善を可能にする。

ABSTRACT

Educational data mining (EDM) is defined as the area of scientific inquiry centered around the development of methods for making discoveries within the unique kinds of data that come from educational settings, and using those methods to better understand students and the settings which they learn in. Data mining enables organizations to use their current reporting capabilities to uncover and understand hidden patterns in vast databases. As a result of this insight, institutions are able to allocate resources and staff more effectively. In this paper, we present a real-world experiment conducted in Shree Rayeshwar Institute of Engineering and Information Technology (SRIEIT) in Goa, India. Here we found the relevant subjects in an undergraduate syllabus and the strength of their relationship. We have also focused on classification of students into different categories such as good, average, poor depending on their marks scored by them by obtaining a decision tree which will predict the performance of the students and accordingly help the weaker section of students to improve in their academics. We have also found clusters of students for helping in analyzing student's performance and also improvising the subject teaching in that particular subject.

研究の動機と目的

• 本科教育カリキュラム内の主要教科とその関係をデータマイニングを用いて特定すること。
• 成績の得点に基づいて学生を成績カテゴリ（優、平均、不良）に分類すること。
• 学生の成績を予測する意思決定木モデルを構築し、早期の学業的支援を可能にすること。
• クラスタリング技術を用いて学生をグループ化し、学習パターンの分析と教科別指導の改善を図ること。
• データ駆動型の知見を活用して教育機関がリソース配分と指導戦略を最適化することを支援すること。

提案手法

• インド・ゴアのSRIEITから得た実際の学業データにデータマイニング技術を適用した。
• 成績得点に基づいて学生を成績カテゴリに分類するため、意思決定木アルゴリズムを用いた。
• 相関分析および依存関係分析を用いて、学部カリキュラム内の教科間の関係を特定した。
• 学生の成績データに対してクラスタリングを実施し、類似した学業的プロファイルを持つ学習者をグループ化した。
• データ前処理、モデル訓練、検証を含む標準的なデータマイニングワークフローを採用した。
• 結果を教育関係者および管理者が活用可能なインサイトに統合した。

実験結果

リサーチクエスチョン

• RQ1 本科教育カリキュラム内で強い成績相関を示す教科は何か。また、それらは学生の成績にどのように影響を与えるか。
• RQ2 成績得点に基づいて、意思決定木モデルが学生の成績カテゴリ（優、平均、不良）を正確に予測できるか。
• RQ3 クラスタリング技術は、学力のパターンをどのように明らかにし、指導の改善に役立てるか。
• RQ4 データマイニングは、工学教育における学業リソース配分の最適化にどのような知見を提供できるか。
• RQ5 データ駆動型の分類およびクラスタリングは、成績不良の学生に対する早期支援をどのように支援できるか。

主な発見

• 意思決定木モデルは、学生を成績カテゴリに成功裏に分類し、成績不良の学生に対する的確な学業的支援を可能にした。
• カリキュラム内のコア教科間に顕著な関係が特定され、学習の進行における依存関係が示された。
• クラスタリングにより、類似した成績パターンを示す明確な学生グループが特定され、個別化された指導戦略の支援が可能になった。
• データマイニングアプローチにより、教科別指導の改善とリソース配分の最適化に役立つインサイトが得られた。
• 本研究は、データマイニングが高等教育分野における学業成績のモニタリングと機関の意思決定プロセスを強化できることを示した。
• SRIEITでの実世界での実装は、教育現場におけるデータマイニングの実用的価値と実現可能性を裏付けた。