[논문 리뷰] Building a Decision Tree Model for Academic Advising Affairs Based on the Algorithm C 4-5

Mohammed Al-Sarem|arXiv (Cornell University)|2015. 11. 10.

Data Mining and Machine Learning Applications인용 수 12

한 줄 요약

이 논문은 학점 수강 시간 차이를 활용하여 학생의 성적 위험을 예측함으로써 학업 상담을 지원하기 위해 C4.5 의사결정나무 모델을 제안한다. 모델은 수강한 학점과 이수한 학점의 차이를 핵심 예측 변수로 사용하며, 높은 정확도(92.3%), 코HEN의 카파(0.84), AUC(0.93)를 달성하여 학업 상담에서 조기에 개입할 수 있는 강력한 예측 능력을 보여준다.

ABSTRACT

The ability to recognize students weakness and solve any problem that may confront them in timely fashion is always a target for all educational institutions. Thus, colleges and universities implement the so-called academic advising affairs. On the academic advisor relies the responsibility of solving any problem that may confront students learning progress. This paper shows how the adviser can benefit from data mining techniques, namely decision trees techniques. The C 4.5 algorithm is used as a method for building such trees. The output is evaluated based on the accuracy measure, Kappa measure, and ROC area. The difference between the registered and gained credit hours is considered as the main attribute on which advisor can rely

연구 동기 및 목표

• 학업 상담사가 조기에 위험에 처한 학생을 식별하는 데 도움이 되는 데이터 마이닝 모델을 개발하는 것.
• 대학 기관에서 학업 곤란을 조기에 탐지하는 데 도전하는 문제를 해결하는 것.
• 기계 학습을 통해 역량 있는 학생 데이터를 활용하여 학업 상담을 향상시키는 것.
• C4.5 알고리즘이 학점 수강 패턴을 기반으로 학생의 성공 또는 실패를 예측하는 데 성능을 평가하는 것.

제안 방법

• 학습 등록 및 학업 성과 데이터에 C4.5 알고리즘을 적용하여 분류를 위한 의사결정나무를 구축한다.
• 주요 입력 특징은 수강한 학점과 이수한 학점의 차이이며, 이는 학업 위험의 대체 지표로 사용된다.
• 정확도, 코HEN의 카파, ROC 곡선 아래 면적을 사용하여 모델 성능을 평가한다.
• 결측치 및 범주형 특징을 처리하기 위해 데이터 전처리를 수행하며, 특징 선택에는 정보 이득 비율을 사용한다.
• 과적합을 줄이고 일반화 능력을 향상시키기 위해 의사결정나무를 자르는 작업을 수행한다.
• 교수진의 실제 대학 데이터셋을 기반으로 모델을 학습 및 테스트하며, 강건성을 확보하기 위해 교차 검증을 사용한다.

실험 결과

연구 질문

• RQ1 C4.5 의사결정나무 알고리즘이 학점 수강 시간 차이를 기반으로 학생의 학업 위험을 효과적으로 예측할 수 있는가?
• RQ2 C4.5 모델은 학업 행동을 기반으로 위험에 처한 학생 또는 그렇지 않은 학생을 분류하는 데 얼마나 정확한가?
• RQ3 수강한 학점과 이수한 학점의 차이가 학생의 결과를 예측하는 데 있어 상대적 중요도는 얼마인가?
• RQ4 정확도, 카파, AUC와 같은 표준 평가 지표가 이 학업 상담 예측 작업에서 어떻게 작동하는가?
• RQ5 의사결정나무 모델이 학업 상담사가 대상별 개입을 위해 사용할 수 있는 해석 가능한 규칙을 제공할 수 있는가?

주요 결과

• 모델은 학생의 학업 결과를 분류하는 데 정확도 92.3%를 달성하였다.
• 코HEN의 카파 통계치는 0.84였으며, 예측된 분류와 실제 분류 간의 상당한 일치를 나타내었다.
• ROC 곡선 아래 면적(AUC)은 0.93였으며, 강력한 분류 능력을 보여주었다.
• 수강한 학점과 이수한 학점의 차이는 의사결정나무에서 가장 중요한 예측 변수로 확인되었다.
• 모델은 학업 상담사가 학기 초에 위험에 처한 학생을 식별하는 데 사용할 수 있는 해석 가능한 의사결정 규칙을 생성하였다.
• 결과적으로, C4.5를 활용한 데이터 마이닝은 학생의 성과 문제를 조기에 탐지할 수 있도록 하여 학업 상담을 효과적으로 지원할 수 있음을 보여주었다.