Key points are not available for this paper at this time.
في التعليم، يعد الكشف عن الطلاب الذين يتخرجون في الوقت المناسب صعبًا بسبب تعقيد البيانات العالي. استخدم الباحثون نهجيات مختلفة لتحديد التخرج في الوقت المناسب باستخدام التعلم الآلي، ولكن لا يزال يعتبر مهمة صعبة بسبب اختلال التوازن في مجموعة البيانات. هدفت هذه الدراسة إلى (i) مقارنة طرق معالجة اختلال التوازن المختلفة مع نسب عينة مختلفة، (ii) اقتراح طريقة معالجة اختلال التوازن الجماعي للتخفيف من مشكلة اختلال التوازن، و (iii) تطوير وتقييم نماذج توقُّعية لتحديد احتمال تخرج الطلاب في الوقت المحدد خلال دراستهم في الجامعة. تم جمع مجموعة البيانات من 4007 خريجين من جامعة خلال عامي 2021 و2022 مع 41 متغيرًا. بعد اختيار الميزات، تم مقارنة طرق معالجة اختلال التوازن المختلفة مع نسب عينة تتراوح من 50% إلى 90%. علاوة على ذلك، تم اقتراح Ensemble-SMOTE لتجميع مجموعة البيانات الناتجة عن تقنيات زيادة العينة الاصطناعية للتخفيف بشكل فعال من مشكلة اختلال التوازن. تم استخدام مجموعة البيانات الناتجة عن طرق معالجة اختلال التوازن كمدخلات للنماذج التوقُّعية في الكشف عن التخرج في الوقت المحدد. تم تقييم النماذج التوقُّعية بناءً على الدقة، والحدة، والاسترجاع، ودرجة F0.5، ودرجة F1، ودرجة F2، والمساحة تحت المنحنى، والمساحة تحت منحنى الحدة والاسترجاع. بناءً على النتائج، كانت الانحدار اللوجستي باستخدام Ensemble-SMOTE تتفوق على نماذج التوقُّع الأخرى وطرق معالجة اختلال التوازن من خلال تحقيق أعلى دقة متوسطة (87.24)، واسترجاع (92.50%)، ودرجة F1 (91.30%)، ودرجة F2 (92.02%) من الفصل الدراسي السادس حتى العاشر. لتقييم فعالية طرق معالجة اختلال التوازن، تم إجراء اختبار فريدمان لتحديد ما إذا كان هناك فرق كبير بين النماذج بعد تطبيق اختبار شابيرو-ويلك في اختبار العادية. نتيجة لذلك، تم تصنيف Ensemble-SMOTE كأفضل أداء من خلال تحقيق أقل قيمة في المتوسط الترتيبي بناءً على مقاييس الأداء. يمكن أن تتضمن الأبحاث الإضافية وتفحص طرق أكثر تعقيدًا في التخفيف من اختلال التوازن عندما تكون مجموعة البيانات غير متوازنة بشكل كبير.
درس لو وآخرون (الخميس) هذا السؤال.