Prédire la performance académique des étudiants est essentiel pour une intervention précoce et une amélioration des résultats éducatifs. Cette étude présente une approche d'apprentissage profond utilisant un réseau de neurones à propagation avant construit avec PyTorch pour prédire les notes finales des étudiants en fonction de caractéristiques démographiques, comportementales et académiques complètes. À l'aide du jeu de données sur la performance des étudiants de l'UCI, les données ont subi un encodage catégorique et un redimensionnement des caractéristiques pour des performances optimales du modèle. L'entraînement du modèle sur 50 époques avec une perte d'erreur quadratique moyenne et l'optimiseur Adam a permis d'atteindre une erreur quadratique moyenne (RMSE) d'environ 2,5 sur une échelle de notes de 0 à 20. La visualisation des notes prédites par rapport aux réelles a démontré la capacité du modèle à refléter fidèlement les motifs de performance sous-jacents. Des améliorations de sécurité ont été intégrées dans le processus de prédiction, y compris la gestion sécurisée des données, le chiffrement des données sensibles des étudiants, et des pratiques de déploiement sécurisées. Les améliorations potentielles du modèle, y compris un meilleur ingénierie des caractéristiques, un réglage architectural, des mesures de sécurité et des méthodes d'apprentissage automatique alternatives, sont discutées. Les résultats soulignent le potentiel des techniques d'apprentissage profond dans l'analyse éducative pour soutenir des stratégies proactives de réussite étudiante.
Eli et al. (Mer,) ont étudié cette question.