[論文レビュー] Role of Secondary Attributes to Boost the Prediction Accuracy of Students Employability Via Data Mining

Pooja Thakar, Anil Mehta+1 more|arXiv (Cornell University)|Aug 9, 2017

Management and Marketing Education参考文献 6被引用数 4

ひとこと要約

本研究では、性格特性やソフトスキルなどの二次的心理的特性を組み込むことで、MCA学生の就職可能性を予測するデータマイニングモデルの精度がどのように向上するかを調査している。主に一次的学業的属性（例：CGPA、出席率）のみを含むデータセットと、二次的属性が追加されたデータセットの2つを用いて、複数の分類アルゴリズムを比較した結果、二次的属性が特に初期学業年次において予測性能を顕著に向上させることを明らかにした。

ABSTRACT

Data Mining is best-known for its analytical and prediction capabilities. It is used in several areas such as fraud detection, predicting client behavior, money market behavior, bankruptcy prediction. It can also help in establishing an educational ecosystem, which discovers useful knowledge, and assist educators to take proactive decisions to boost student performance and employability. This paper presents an empirical study that compares varied classification algorithms on two datasets of MCA (Masters in Computer Applications) students collected from various affiliated colleges of a reputed state university in India. One dataset includes only primary attributes, whereas other dataset is feeded with secondary psychometric attributes in it. The results showcase that solely primary academic attributes do not lead to smart prediction accuracy of students employability, once they square measure within the initial year of their education. The study analyzes and stresses the role of secondary psychometric attributes for better prediction accuracy and analysis of students performance. Timely prediction and analysis of students performance can help Management, Teachers and Students to work on their gray areas for better results and employment opportunities.

研究の動機と目的

• 二次的心理的特性が学生の就職可能性予測精度に与える影響を評価すること。
• 一次的属性と二次的属性を含む／含まないデータセットを用いた複数の分類アルゴリズムの性能を比較すること。
• 初期学業段階において、予測結果の向上に最も寄与する属性を特定すること。
• 教育者や教育機関が、データ駆動型のインサイトを活用して学生の学力格差を事前に是正できるように支援すること。
• 非学業的特徴を統合することで、就職可能性予測の精度を向上させるデータマイニングフレームワークを確立すること。

提案手法

• インドの州立大学に所属する大学院生のMCA学生から2つのデータセットを収集した：1つは一次的学業的属性（例：CGPA、出席率）のみを含むもの、もう1つは二次的心理的属性（例：コミュニケーションスキル、リーダーシップ、適応力）が追加されたもの。
• 決定木、ナイーブベイズ、サポートベクターマシンなどの複数の分類アルゴリズムを適用し、両方のデータセットに基づいて学生の就職可能性を予測した。
• 正規化、欠損値処理、特徴量スケーリングなどの標準的手法を用いてデータ品質を確保した。
• 正解率、適合率、再現率、F1スコアなどの標準指標を用いてモデルの性能を評価し、データセット間での結果を比較した。
• 二次的属性が全体的な予測精度向上に寄与する程度を特定するための比較分析を実施した。
• 交差検証テストにおける正解率と頑健性を基準に、最良の性能を示したモデルを選定した。

実験結果

リサーチクエスチョン

• RQ1 二次的心理的特性の組み込みが、学生の就職可能性予測精度にどのように影響するか？
• RQ2 二次的属性がデータセットに含まれる場合、どの分類アルゴリズムが最も優れた性能を示すか？
• RQ3 一次的学業的属性のみで十分な予測性能が得られるのか？
• RQ4 MCA教育の最初の年次において、二次的属性がモデル性能をどの程度向上させるか？
• RQ5 具体的にどの二次的属性が予測結果の向上に最も顕著に寄与するか？

主な発見

• 二次的心理的特性を組み込むことで、一次的学業的属性のみを用いたモデルと比較して、予測精度が顕著に向上した。
• 二次的属性が追加されたデータセットで学習したモデルは、全テストアルゴリズムにおいてF1スコアと全体的な正解率が向上した。
• 本研究では、一次的学業的成績がまだ発展段階にある初期学業年次において、二次的属性が特に効果的であることが判明した。
• 評価されたアルゴリズムの中で、サポートベクターマシンが二次的属性を含む場合に最も高い正解率を示した。
• コミュニケーションスキル、リーダーシップ、適応力といった心理的特性が、就職可能性の強力な予測要因であることが明らかになった。
• 結果から、一次的学業的指標にのみ依存すると、特に1年生において予測性能が不十分になることが示唆された。