Détection de la performance des étudiants à l'aide de techniques d'apprentissage automatique

La détection de la performance des étudiants est devenue un domaine de recherche essentiel dans l'exploration des données éducatives, car une prédiction précise des résultats académiques peut soutenir des interventions opportunes et améliorer l'efficacité de l'apprentissage. Les méthodes d'évaluation traditionnelles reposent souvent sur des examens périodiques et des évaluations par les enseignants, qui peuvent ne pas capturer les facteurs complexes et multifacettes influençant la performance des étudiants. Les techniques d'apprentissage automatique (AA) offrent une alternative prometteuse en analysant de grands volumes de données éducatives et en identifiant des motifs cachés qui contribuent au succès ou à l'échec académique. Cette étude propose un cadre basé sur l'AA pour prédire la performance des étudiants en prenant en compte des caractéristiques académiques, comportementales et socio-économiques, telles que l'assiduité, les notes précédentes, les habitudes d'étude, le milieu parental et la participation à des activités parascolaires. Le jeu de données subit un prétraitement, une sélection de caractéristiques et des techniques de balance pour garantir la fiabilité du modèle. Plusieurs algorithmes d'AA—including les arbres de décision, les forêts aléatoires, les machines à vecteurs de support (MVS), la régression logistique et les réseaux de neurones—sont évalués pour déterminer l'approche la plus efficace pour la prédiction. Des métriques de performance telles que la précision, la précision, le rappel, le F1-score et l'ROC-AUC sont utilisées pour une évaluation complète. Les résultats expérimentaux démontrent que les modèles basés sur l'ensemble, en particulier les forêts aléatoires, atteignent une précision supérieure par rapport aux classificateurs simples, ce qui indique leur efficacité à capturer des relations non linéaires au sein des données. Les résultats soulignent que des caractéristiques telles que l'assiduité et les scores d'évaluation interne influencent fortement la prédiction de performance. Cette recherche contribue non seulement à améliorer la planification académique mais aide également les éducateurs à détecter précocement les étudiants à risque, permettant un soutien ciblé et des stratégies d'apprentissage personnalisées. En fin de compte, l'intégration de l'AA dans les systèmes éducatifs peut réduire les taux d'abandon, améliorer les résultats des étudiants et favoriser une prise de décision basée sur les données dans le milieu académique.