L'exploration de données éducatives joue un rôle crucial dans l'analyse de la performance des étudiants pour identifier ceux à risque et améliorer le succès académique. Les méthodes statistiques traditionnelles échouent souvent à capturer les facteurs complexes influençant la réussite des étudiants. Cette recherche présente un système prédictif basé sur l'apprentissage machine intégré dans une application web pour prévoir la performance académique des étudiants. L'étude utilise un ensemble de données de l'Université de l'État de Taraba, comprenant des étudiants provenant de diverses démographies. Les données subissent un prétraitement, une sélection de caractéristiques et une modélisation utilisant trois algorithmes d'apprentissage machine : Forêt Aléatoire, Machine à Vecteurs de Support (SVM) et Arbre de Décision. Les résultats de l'évaluation démontrent que la Forêt Aléatoire a atteint la plus haute précision (94 %), suivie de SVM (93 %) et de l'Arbre de Décision (92 %). Le système basé sur le web développé permet aux éducateurs de saisir des données d'étudiants et de recevoir des prédictions de performance en temps réel, facilitant des stratégies d'intervention précoce. L'étude met en avant le potentiel de l'apprentissage machine dans la prise de décision éducative et recommande de futures recherches sur les techniques d'apprentissage d'ensemble pour la prédiction de la performance académique en temps réel.
Anagu et al. (Mercredi,) ont étudié cette question.