Key points are not available for this paper at this time.
Data Mining bietet leistungsstarke Techniken für verschiedene Bereiche, einschließlich Bildung. Die Forschung im Bildungsbereich nimmt aufgrund der großen Menge an Studierendendaten, die genutzt werden können, um wertvolle Muster im Lernverhalten der Studierenden zu entdecken, schnell zu. Dieses Papier schlägt einen Rahmen für die Vorhersage der akademischen Leistung von Erstsemester-Studierenden in einem Computerwissenschafts-Kurs vor. Die Daten wurden über einen Zeitraum von 8 Jahren, von Juli 2006/2007 bis Juli 2013/2014, gesammelt und enthalten die Demografie der Studierenden, frühere akademische Aufzeichnungen und Informationen über den familiären Hintergrund. Entscheidungsbaum-, Naive Bayes- und regelbasierte Klassifikationstechniken werden auf die Daten der Studierenden angewendet, um das beste Vorhersagemodell für die akademische Leistung der Studierenden zu erstellen. Das Ergebnis des Experiments zeigt, dass das regelbasierte Modell das beste unter den anderen Techniken ist, da es den höchsten Genauigkeitswert von 71,3 % erreicht. Das aus dem Vorhersagemodell extrahierte Wissen wird verwendet, um den Studierenden zu identifizieren und zu profilieren, um den Erfolg der Studierenden im ersten Semester zu bestimmen.
Ahmad et al. (Do,) haben diese Frage untersucht.