Key points are not available for this paper at this time.
Die Erforschung von Anwendungen des maschinellen Lernens zur Vorhersage der akademischen Leistung von Studierenden hat sich zu einem entscheidenden Forschungsbereich entwickelt. Diese systematische Literaturübersicht untersuchte 83 indexierte Forschungsartikel zwischen 2020 und 2023, die Anwendungen des maschinellen Lernens zur Vorhersage des akademischen Erfolgs analysierten. Die Ergebnisse zeigten, dass das Ensemble-Lernen andere Methoden bei der Vorhersage der akademischen Leistung übertraf und eine durchschnittliche Genauigkeitsrate von 87,67 % erzielte. Dicht gefolgt wurde es von dem Support-Vektor-Maschinenansatz (SVM), der eine durchschnittliche Genauigkeit von 84,30 % erreichte. Demografische, akademische und verhaltensbedingte Faktoren erwiesen sich als bedeutende Prädiktoren für den akademischen Erfolg. Diese Forschung betonte die Wichtigkeit der frühzeitigen Identifikation von Studierenden mit Problemen und die Notwendigkeit zeitnaher Interventionen zur Verbesserung ihrer Bildungsergebnisse. Prädiktive Faktoren sind entscheidend, da sie Pädagogen und politischen Entscheidungsträgern helfen können, Studierende zu identifizieren, die möglicherweise Gefahr laufen, unterdurchschnittliche Leistungen zu erbringen, und gezielte Interventionen anzubieten, um die Qualität der Bildungsergebnisse zu verbessern. Dies steht im Einklang mit den SDG 4, die sich auf qualitativ hochwertige Bildung konzentrieren.
Wu et al. (Mi,) untersuchten diese Fragestellung.