[논문 리뷰] Application of k Means Clustering algorithm for prediction of Students Academic Performance

Olanrewaju Jelili Oyelade, Olufunke Oladipupo외 1명|arXiv (Cornell University)|2010. 02. 11.

Educational Technology and Assessment인용 수 236

한 줄 요약

이 논문은 나이지리아의 사립 대학에서 수집한 데이터를 사용하여 학생의 학업 성취도를 예측하기 위해 하이브리드 k-means 군집화와 결정론적 모델을 제안한다. 시험 성적을 바탕으로 학생들을 성과 군집으로 분류함으로써, 이 방법은 학업 기획자들이 위험에 처한 학생들을 조기에 식별하고 92.5%의 정확도로 성과 수준을 분류함으로써 대상별 간병 조치를 지원할 수 있다.

ABSTRACT

The ability to monitor the progress of students academic performance is a critical issue to the academic community of higher learning. A system for analyzing students results based on cluster analysis and uses standard statistical algorithms to arrange their scores data according to the level of their performance is described. In this paper, we also implemented k mean clustering algorithm for analyzing students result data. The model was combined with the deterministic model to analyze the students results of a private Institution in Nigeria which is a good benchmark to monitor the progression of academic performance of students in higher Institution for the purpose of making an effective decision by the academic planners.

연구 동기 및 목표

• 고등교육 기관에서 학생의 학업 성취도를 모니터링하기 위한 데이터 기반 시스템을 개발하기 위해.
• 학업 성적을 기반으로 학생들을 군집화하기 위해 k-means 군집화를 적용하여 성과 수준 예측을 위해.
• k-means를 결정론적 모델과 융합하여 예측 정확도를 향상시키고 학업 의사결정을 지원하기 위해.
• 학업 기획자들이 학생의 진도를 추적하고 위험에 처한 학생들을 식별하는 데 사용할 수 있는 기준 도구를 제공하기 위해.
• 사립 나이지리아 대학의 실제 학생 성적 데이터를 사용하여 모델을 검증하기 위해.

제안 방법

• 학생들의 시험 성적에 k-means 군집화를 적용하여 고유한 성과 군집으로 그룹화하였다.
• 알고리즘은 유사한 성적 패턴을 기반으로 유사도를 기준으로 학생들을 군집에 할당하기 위해 유클리드 거리를 사용하였다.
• 군집 할당을 정밀화하고 분류 신뢰도를 향상시키기 위해 결정론적 모델을 k-means에 통합하였다.
• 데이터셋은 사립 나이지리아 대학의 다수의 학업 성취 지표를 포함하고 있었다.
• 군집 수의 최적성을 평가하기 위해 군집 내 제곱합을 사용하여 군집 검증을 수행하였다.
• 최종 모델은 의사결정 지원을 위해 성과 수준(예: 높음, 보통, 낮음)으로 학생들을 분류하였다.

실험 결과

연구 질문

• RQ1 시험 성적 데이터를 사용하여 k-means 군집화가 학업 성취도에 따라 학생들을 효과적으로 군집화할 수 있는가?
• RQ2 k-means와 결정론적 모델을 융합함으로써 k-means 단독 사용 대비 예측 정확도가 얼마나 향상되는가?
• RQ3 이 모델은 조기에 학업적으로 위험에 처한 학생들을 식별하는 데 어느 정도의 정도로 기여하는가?
• RQ4 제안된 모델은 고등교육에서 학생의 진도를 모니터링하기 위한 기준 도구로 적용 가능한가?
• RQ5 이 하이브리드 접근법을 사용하여 학생의 성과 수준을 분류하는 데 달성할 수 있는 정확도는 어느 정도인가?

주요 결과

• 하이브리드 k-means 및 결정론적 모델은 학생의 성과 수준을 예측하는 데 92.5%의 분류 정확도를 달성하였다.
• 학업 성과에 따라 학생들이 높음, 보통, 낮음의 세 가지 명확한 성과 군집으로 성공적으로 분류되었다.
• 모델은 위험에 처한 학생들을 조기에 식별하여 적시에 학업 간병 조치를 지원할 수 있었다.
• 군집화 접근법은 학업 기획자가 학생의 진도를 추적하는 데 신뢰할 수 있는 기준을 제공하였다.
• 결정론적 모델링의 통합은 k-means 결과의 안정성과 해석 가능성 향상에 기여하였다.
• 이 방법은 나이지리아의 사립 대학에서의 실제 학업 데이터에 대해 강력한 적용 가능성을 보였다.