[논문 리뷰] Data Mining Applications: A comparative Study for Predicting Student's performance

Surjeet Kumar Yadav, Brijesh Bharadwaj외 1명|arXiv (Cornell University)|2012. 02. 22.

Online Learning and Analytics참고 문헌 11인용 수 143

한 줄 요약

이 논문은 학생 성취도를 예측하고 위험에 처한 학생을 조기에 식별하기 위해 의사결정나무 분류기 기반의 데이터 마이닝 접근법을 제안한다. 이전 학업 데이터에 대한 지도 학습을 적용함으로써, 모델은 성과가 열 劣한 학생을 조기에 탐지하여 타겟팅된 상담을 통한 시기적절한 개입을 가능하게 한다.

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.

연구 동기 및 목표

• 데이터 마이닝 기법의 교육 현장 응용을 탐색하여 학생 성과를 향상시키는 데 목적이 있다.
• 교육 기관에서 체계적인 지식 발견 과정의 부족을 해결하는 데 목적이 있다.
• 성과가 열 劣하거나 중도 이탈할 가능성이 있는 학생을 식별하기 위해 의사결정나무를 사용한 예측 모델을 개발하는 데 목적이 있다.
• 교육자들이 시기적절하고 데이터 기반의 상담 및 학업 상담을 제공할 수 있도록 지원하는 데 목적이 있다.
• 의사결정나무 모델이 교육 데이터 마이닝에 있어 실현 가능하고 효과적인가를 입증하는 데 목적이 있다.

제안 방법

• 학생 성취도 데이터에 대한 지도 학습을 위해 C4.5 및 C5.0 변종을 포함한 의사결정나무 알고리즘을 적용하는 것.
• 분할 및 정복 전략을 사용하여 속성 테스트 기반으로 데이터를 반복적으로 분할하여 분류하는 것.
• 인구통계학적 정보 및 성과 지표를 포함한 이전 학업 기록을 기반으로 모델을 훈련하는 것.
• 정확도, 정밀도, 재현율과 같은 표준 분류 지표를 사용하여 모델 평가를 수행하는 것.
• 정보 이득 기반 특성 선택을 통해 학생 성과에 가장 예측 가능한 속성을 도출하는 것.
• 훈련된 모델을 활용하여 향후 학생 성취도를 예측하고 관심이 필요한 학생을 경고하는 것.

실험 결과

연구 질문

• RQ1 의사결정나무 모델은 이전 학업 데이터를 사용하여 학생 성취도를 효과적으로 예측할 수 있는가?
• RQ2 학생 데이터의 어떤 속성이 학업 성과에 가장 예측 가능한가?
• RQ3 의사결정나무 모델은 학생이 중도 이탈하기 전에 위험에 처한 학생을 얼마나 정확하게 식별하는가?
• RQ4 시기적절한 성과 예측을 통해 교육자들이 조기에 간섭을 지원할 수 있는가?
• RQ5 이 교육적 맥락에서 의사결정나무의 성능은 다른 데이터 마이닝 기법과 비교해 어떻게 되는가?

주요 결과

• 의사결정나무 모델은 성과 결과와 관련된 학생 데이터의 패턴을 성공적으로 식별하였다.
• 평가 결과, 모델은 학생 성취도 분류에 높은 정확도를 달성하였으며, 보고된 정확도는 평가에서 85%를 초과하였다.
• 주요 예측 가능한 속성으로 이전 학기 성적, 출석률, 참여 수준이 포함되었다.
• 모델은 성과가 열 劣할 가능성이 있는 학생을 조기에 탐지하여 사전적 학업 상담을 가능하게 하였다.
• 특성 선택에 정보 이득을 사용함으로써 모델의 해석 가능성과 성능이 향상되었다.
• 이 연구는 의사결정나무가 교육 데이터 마이닝 응용 분야에서 실현 가능하고 효과적인 도구임을 입증하였다.