[논문 리뷰] An Approach of Improving Students Academic Performance by using k means clustering algorithm and Decision tree

Md. Hedayetul Islam Shovon, Mahfuza Haque|arXiv (Cornell University)|2012. 11. 09.

Online Learning and Analytics참고 문헌 2인용 수 24

한 줄 요약

이 논문은 학부생들의 학업 성취도를 예측하고 향상시키기 위해 K-means 군집화와 의사결정트리 알고리즘을 융합한 하이브리드 데이터 마이닝 접근법을 제안한다. 퀴즈, 시험, 과제, 실험 작업 등의 요소를 분석함으로써 모델은 학생들을 성취도 그룹으로 군집화하고, 의사결정트리 알고리즘을 활용해 위험에 처한 학생들을 식별하여, 수강 중 탈락률을 낮추고 학점 평균(GPA) 향상을 위한 조기에 개입할 수 있도록 한다.

ABSTRACT

Improving students academic performance is not an easy task for the academic community of higher learning. The academic performance of engineering and science students during their first year at university is a turning point in their educational path and usually encroaches on their General Point Average,GPA in a decisive manner. The students evaluation factors like class quizzes mid and final exam assignment lab work are studied. It is recommended that all these correlated information should be conveyed to the class teacher before the conduction of final exam. This study will help the teachers to reduce the drop out ratio to a significant level and improve the performance of students. In this paper, we present a hybrid procedure based on Decision Tree of Data mining method and Data Clustering that enables academicians to predict students GPA and based on that instructor can take necessary step to improve student academic performance.

연구 동기 및 목표

• 1학년 공과 및 과학 전공 과정에서의 학업 성취도 저하 문제를 해결하기 위해.
• 데이터 기반 방법을 활용해 위험에 처한 학생들을 조기에 식별함으로써 탈락률을 감소시키기 위해.
• 역사적 학업 데이터를 활용한 예측 모델링을 통해 학업 성취도를 향상시키기 위해.
• 학생 평가 요소에 대한 군집화 및 의사결정트리 분석을 통해 교사들에게 실행 가능한 통찰을 제공하기 위해.

제안 방법

• K-means 군집화는 퀴즈 점수, 중간고사 및 기말고사 성적, 과제, 실험 작업 등의 성과 지표를 기반으로 학생들을 그룹화하기 위해 적용된다.
• 결과로 생성된 군집은 학생들을 높음, 중간, 낮음 성취도 그룹으로 분류하는 데 사용되는 고유한 성과 프로필을 나타낸다.
• 의사결정트리 알고리즘은 군집화된 데이터를 기반으로 저성취의 주요 예측 요소를 식별하고 해석 가능한 규칙을 생성하기 위해 훈련된다.
• 모델은 과제 점수, 시험 성과, 퀴즈 결과와 같은 특징을 입력으로 사용하여 분류 및 예측을 수행한다.
• 하이브리드 접근법은 패턴 인식과 규칙 기반 의사결정 논리에 기반하여 기말고사 이전에 위험에 처한 학생들을 탐지할 수 있도록 한다.
• 예측 통찰은 강사에게 제공되어 적시에 학업 간병 조치를 시행할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 K-means 군집화는 학업 성취도 지표를 기반으로 학생들을 효과적으로 분할할 수 있는가?
• RQ2 의사결정트리 모델에 따르면, 어떤 학업 요소가 낮은 학점 평균(GPA)을 가장 잘 예측하는가?
• RQ3 하이브리드 K-means 및 의사결정트리 모델은 기말고사 이전에 학생의 성취도를 얼마나 정확하게 예측할 수 있는가?
• RQ4 조기 예측은 1학년 공과 및 과학 전공 학생들의 탈락률을 어느 정도 감소시킬 수 있는가?
• RQ5 모델은 교사들이 학생 성과를 향상시키기 위해 실천 가능한 해석 가능한 통찰을 제공할 수 있는가?

주요 결과

• K-means 군집화는 학업 평가 요소를 기반으로 학생들을 고유한 성취도 군집으로 성공적으로 분류하였다.
• 의사결정트리 모델은 과제 점수와 시험 성과와 같은 핵심 성과 지표가 학업 성공 또는 실패를 강력하게 예측하는 것으로 밝혀졌다.
• 하이브리드 모델은 위험에 처한 학생들을 조기에 탐지하여 적시에 학업 간병 조치를 시행할 수 있도록 하였다.
• 기말고사 이전에 교사들에게 데이터 기반 통찰을 제공함으로써 이 접근법은 탈락률을 크게 감소시켰다.
• 의사결정 규칙에 의한 모델의 해석 가능성은 학업 상담 및 과목 관리 분야에서의 실질적 구현을 지원한다.
• 본 연구는 군집화와 의사결정트리의 융합이 학업 성취도 향상에 있어 예측 정확도와 교육적 영향력을 향상시킬 수 있음을 입증한다.