Prédire la performance académique en sciences computationnelles : Utilisation des modèles Naive Bayes et SVM avec les données d'intérêt des étudiants et de cours

Key Points

• La performance académique peut être efficacement prédite en utilisant des modèles naive bayes et SVM, mettant en évidence leur utilité dans les contextes éducatifs.
• Les preuves clés montrent que l'incorporation des données d'intérêt des étudiants améliore la puissance prédictive des modèles.
• L'évaluation utilisant des techniques de modélisation prédictive a démontré une corrélation significative entre les données de cours et le succès des étudiants.
• Cette approche suggère que des stratégies académiques sur mesure pourraient améliorer la performance, bien que des études supplémentaires soient nécessaires.