[논문 리뷰] Mining Educational Data to Analyze Students' Performance

Brijesh Kumar Baradwaj, Saurabh Pal|arXiv (Cornell University)|2012. 01. 17.

Online Learning and Analytics인용 수 67

한 줄 요약

이 논문은 교육 데이터를 기반으로 기말 시험 성적을 예측하기 위해 ID3 결정트리 알고리즘을 사용하는 데이터 마이닝 모델을 제안한다. 학생들을 성취도 수준으로 분류함으로써, 위험에 처한 학생들을 조기에 식별하고, 빠른 학업 간입을 지원함으로써 고등교육 환경에서의 교육 성과를 향상시킨다.

ABSTRACT

The main objective of higher education institutions is to provide quality education to its students. One way to achieve highest level of quality in higher education system is by discovering knowledge for prediction regarding enrolment of students in a particular course, alienation of traditional classroom teaching model, detection of unfair means used in online examination, detection of abnormal values in the result sheets of the students, prediction about students' performance and so on. The knowledge is hidden among the educational data set and it is extractable through data mining techniques. Present paper is designed to justify the capabilities of data mining techniques in context of higher education by offering a data mining model for higher education system in the university. In this research, the classification task is used to evaluate student's performance and as there are many approaches that are used for data classification, the decision tree method is used here. By this task we extract knowledge that describes students' performance in end semester examination. It helps earlier in identifying the dropouts and students who need special attention and allow the teacher to provide appropriate advising/counseling. Keywords-Educational Data Mining (EDM); Classification; Knowledge Discovery in Database (KDD); ID3 Algorithm.

연구 동기 및 목표

• 고등교육 기관에서 학생 성취도를 분석하기 위한 데이터 마이닝 프레임워크를 개발하기 위해.
• 기말 시험 성과를 예측할 수 있는 교육 데이터 내 패턴을 규명하기 위해.
• 데이터 기반 분류를 통해 성취도가 낮거나 중도 이탈 위험이 있는 학생들을 조기에 탐지하여 학업 간입을 지원하기 위해.
• 발견된 지식을 활용한 타겟팅된 상담 및 지도를 통해 교육 품질을 향상시키기 위해.
• 분류 작업을 위한 교육 데이터 마이닝에서 ID3 알고리즘의 효과성을 검증하기 위해.

제안 방법

• 의미 있는 패턴을 교육 데이터셋에서 추출하기 위해 데이터베이스 내 지식 발견(KDD) 프로세스를 적용한다.
• 학생 성취도를 예측하기 위한 ID3 알고리즘 기반의 분류 모델을 구현한다.
• 입력 특징은 학생 기록에서 수집한 학업 및 인구통계학적 변수로 구성된다.
• ID3 알고리즘은 정보 양이 가장 높은 특징을 반복적으로 선택하여 데이터를 분할함으로써 결정트리를 구축한다.
• 시험 결과를 바탕으로 학생들을 '높음', '중간', 또는 '낮음' 등의 성취도 범주로 분류한다.
• 분류 정확도와 예측 능력을 평가하기 위해 대학 수준의 데이터셋을 사용하여 시스템을 평가한다.

실험 결과

연구 질문

• RQ1 데이터 마이닝 기법이 기말 시험 성취도를 효과적으로 예측할 수 있는가?
• RQ2 교육 데이터를 기반으로 한 ID3 결정트리 알고리즘이 학생 성취도를 분류하는 데 얼마나 정확한가?
• RQ3 학생 기록에서 성취도에 가장 예측력이 높은 특징는 무엇인가?
• RQ4 모델은 충분히 이르기까지 위험에 처한 학생들을 조기에 식별할 수 있는가?
• RQ5 교육 데이터 마이닝의 활용이 고등교육 분야의 의사결정 과정에 어느 정도 향상되는가?

주요 결과

• ID3 결정트리 모델은 높은 정확도로 학생 성취도를 명확한 범주로 분류하는 데 성공했다.
• 모델은 성취도가 낮을 가능성이 있는 학생들을 조기에 식별하여 사전적 학업 상담을 지원할 수 있었다.
• 출석률, 과제 점수, 중간 시험 성취도와 같은 핵심 특징이 최종 성과를 강력하게 예측하는 것으로 나타났다.
• 이 연구는 데이터 마이닝 기법을 통해 교육 데이터셋에서 실질적인 지식을 추출하여 기관의 성과를 향상시킬 수 있음을 입증했다.
• 결과는 결함 트리 기반의 교육 데이터 마이닝이 성취도 예측에 실현 가능하고 가치 있는 방법임을 확인했다.
• 모델은 학생 성공 지원 프로그램을 지원하기 위해 대학 시스템에 통합될 잠재력을 보였다.