앙상블 모델과 샤플리 가법 설명을 사용한 학생 성과 예측 및 해석

교육을 포함한 여러 분야에서 인공 신경망과 같은 기계 학습의 사용은 예측 작업에서 상당한 개선을 가져왔습니다. 이러한 모델의 불투명성이 사용 시의 문제 중 하나입니다. 교육의 의사결정권자들은 여전히 이해하기 쉬운 가치 있는 통찰을 제공할 수 있는 예측 모델을 선호합니다. 따라서 본 연구는 성과를 향상시키고 학생의 성과가 특정 점수를 획득하는 이유를 설명함으로써 이전 학생 성과 예측을 개선하는 접근 방식을 제안합니다. 기계 학습 모델을 사용하여 제안된 예측 모델이 개발되었고 테스트되었습니다. 우리의 모델은 동일한 데이터 세트를 기반으로 한 이전 작업 모델보다 뛰어난 성과를 나타냅니다. 데이터 수준과 알고리즘 접근 방식을 결합한 프레임워크를 사용하여, 제안된 모델은 98% 이상의 정확도를 달성하며, 이는 이전 작업 모델에 비해 20.3% 개선된 것입니다. 데이터 업샘플링을 위한 균형 기술로, 우리는 합성 소수 집단 오버샘플링 기법(SMOTE)의 기본 전략을 사용하여 모든 클래스를 다수 클래스의 샘플 수에 맞춰 오버샘플링합니다. 우리는 또한 앙상블 방법을 사용합니다. 매개변수 조정을 위해, scikit에서 제공하는 간단한 그리드 검색 알고리즘을 사용하여 모델의 최적 매개변수를 추정합니다. 이 하이퍼파라미터 최적화와 10겹 교차 검증 프로세스는 새로운 모델의 신뢰성을 입증합니다. 또한, 점수에 가장 큰 영향을 미치는 요인을 파악하는 데 도움을 주는 새로운 시각적이고 직관적인 기술이 사용되어 전체 모델을 해석하고 이해하는 데 도움을 주며 기계 학습 모델의 관측 수준에서 기능 기여도를 시각화합니다. 따라서 SHAP 값은 학생 성과 예측 프레임워크에 통합되어야 할 강력한 도구로, 실험을 통해 생성된 예측 및 설명을 통해 교육자들은 위험에 처한 학생을 조기에 인지하고 적절한 조언을 적시에 제공할 수 있습니다.