[论文解读] A CHAID Based Performance Prediction Model in Educational Data Mining

M. Ramaswami, R. Bhaskaran|arXiv (Cornell University)|Feb 5, 2010

Online Learning and Analytics参考文献 14被引用 167

一句话总结

本研究提出了一种基于CHAID的决策树模型，利用印度泰米尔纳德邦五所学校的772名学生的数据，预测中等教育阶段的学业表现。该模型通过递归划分识别出影响学生表现的关键因素，在分类高分与低分学生方面达到了令人满意的准确率，从而实现对高风险学习者的早期干预。

ABSTRACT

The performance in higher secondary school education in India is a turning point in the academic lives of all students. As this academic performance is influenced by many factors, it is essential to develop predictive data mining model for students' performance so as to identify the slow learners and study the influence of the dominant factors on their academic performance. In the present investigation, a survey cum experimental methodology was adopted to generate a database and it was constructed from a primary and a secondary source. While the primary data was collected from the regular students, the secondary data was gathered from the school and office of the Chief Educational Officer (CEO). A total of 1000 datasets of the year 2006 from five different schools in three different districts of Tamilnadu were collected. The raw data was preprocessed in terms of filling up missing values, transforming values in one form into another and relevant attribute/ variable selection. As a result, we had 772 student records, which were used for CHAID prediction model construction. A set of prediction rules were extracted from CHIAD prediction model and the efficiency of the generated CHIAD prediction model was found. The accuracy of the present model was compared with other model and it has been found to be satisfactory.

研究动机与目标

• 开发印度中等教育阶段学生表现的预测模型，其中学业成果对未来的机遇具有重大影响。
• 通过应用于真实教育数据集的数据挖掘技术，识别影响学业表现的主导因素。
• 使用CHAID（卡方自动交互检测）构建决策树模型，以实现可解释性和规则提取。
• 评估模型的准确度，并与教育数据挖掘中的其他预测模型进行比较。
• 支持教育利益相关者及早识别学习缓慢的学生并实施有针对性的干预措施。

提出的方法

• 采用混合数据收集方法，结合来自普通学生的原始数据和来自学校及首席教育官员（CEO）办公室的二手数据。
• 对2006年的1,000条记录数据集进行预处理，包括处理缺失值、数值转换和选择相关属性，最终获得772条可用记录。
• 应用CHAID算法构建决策树模型，通过卡方独立性检验递归划分数据，以最大化预测准确度。
• 模型基于显著预测变量（如出勤率、以往表现和经济背景）生成可解释的预测规则。
• 通过准确度指标评估模型性能，并与替代模型进行比较，以验证其有效性。
• 执行变量选择，仅保留对学业结果有显著影响的最相关特征。

实验结果

研究问题

• RQ1 在泰米尔纳德邦，影响中等教育阶段学业表现的最关键因素是什么？
• RQ2 基于CHAID的决策树模型在使用真实教育数据时，预测学生表现的准确度如何？
• RQ3 CHAID模型能否生成可解释的规则，以支持对高风险学生的早期识别？
• RQ4 在教育数据挖掘中，CHAID模型与其他预测模型相比，准确度如何？
• RQ5 该模型在多大程度上可协助教育工作者实施及时的学业干预？

主要发现

• CHAID模型在772名学生的数据集上表现出令人满意的准确度，展示了强大的预测能力。
• 通过CHAID树的分裂分析，识别出影响学业表现的关键预测因子，包括以往学业成绩、出勤率和家庭背景。
• 该模型成功提取了一组可解释的决策规则，教育工作者可据此识别学业表现可能不佳的学生。
• 研究发现，CHAID模型的准确度与测试的其他模型相当或更优，支持其在教育环境中的应用。
• 预处理步骤（包括缺失值处理和属性选择）显著提升了数据质量与模型可靠性。
• 本研究证实，CHAID是教育数据挖掘应用中一种可行且可解释的表现预测方法。