Prevendo o desempenho acadêmico dos alunos utilizando big data educacional e análise de aprendizado: avaliação de métodos de classificação e registros de aprendizado

Com o objetivo de melhorar a experiência de aprendizado, muitos educadores aplicaram análise de aprendizado em sala de aula; o princípio maior da análise de aprendizado é direcionar alunos em risco e fornecer intervenção oportuna de acordo com os resultados da análise do comportamento dos alunos. No entanto, quando os pesquisadores aplicaram aprendizado de máquina para treinar um modelo de identificação de risco, a razão que afetou o desempenho do modelo foi negligenciada. Este estudo coletou sete conjuntos de dados em três universidades localizadas em Taiwan e Japão e listou métricas de desempenho do modelo de identificação de risco após alimentar os dados em oito métodos de classificação. U1, U2 e U3 foram usados para denotar as três universidades, que possuem três, dois e dois casos de conjuntos de dados (registros de aprendizado), respectivamente. De acordo com os resultados deste estudo, os fatores que influenciam o desempenho preditivo dos métodos de classificação são o número de características significativas, o número de categorias de características significativas e os valores do coeficiente de correlação de Spearman. No caso 1.3 do conjunto de dados U1 e no caso 2.2 do conjunto de dados U2, os números de características significativas, os números de categorias de características significativas e os valores do coeficiente de correlação de Spearman para características significativas foram todos relativamente altos, o que é a principal razão pela qual esses conjuntos de dados conseguiram realizar classificação com alta capacidade preditiva.