Educational data mining for predicting students’ academic performance using machine learning algorithms

Data Mining Implementation with Algorithm C4.5 for Predicting Graduation Rate College Student

“…As indicated in Tables 2 and 3, CM is a matrix of predictions that will be compared to the input's original class. In other words, the matrix incorporates both real-world data and categorization predictions [15]. The following equation is used to determine accuracy (AC): The total training data set size is N, and the precise number of forecasts for the "Fast-Time" graduation is An; the precise number of forecasts for the "On-Time" graduation is B; and the precise number of forecasts for the "Delay-Time" graduation is C.…”

Mineração de dados educacionais com algoritmos de regressão: um estudo sobre a predição do desempenho

“…Em seu estudo Dabhade et al (2021) tinham como objetivo compreender os vários fatores dos quais o desempenho dos alunos depende, e prever o desempenho dos estudantes para o próximo semestre com base nos dados de perfis e no desempenho anterior. Ademais, os autores buscaram identificar os atributos que mais afetam o desempenho dos alunos, isso foi feito de forma análoga ao presente estudo, em que os autores utilizaram a matriz de correlação, para identificação desses atributos.…”

“…Como resultados Dabhade et al (2021) obtiveram que o modelo mais eficiente foi o gerado pelo algoritmo SVM com núcleo linear, chegando a 83,44% de precisão na predição do desempenho dos alunos. Além disso, os modelos propostos forneceram evidências de que o desempenho passado recente é mais importante para a previsão do desempenho futuro, bem como existe uma relação entre as características de comportamento dos alunos e o desempenho acadêmico.…”

“…Além da geração de modelos para a previsão do desempenho, também foram analisados quais os principais atributos influenciam nas notas finais dos alunos. Como no estudo realizado por Dabhade et al (2021), foi percebido que o desempenho passado recente é o fator mais importante para a previsão do desempenho futuro, visto que os atributos com maior correlação com as notas finais (G3) do terceiro período, foram as notas intermediárias do segundo período (G2), com 96% de correlação para a disciplina de Matemática e 94% para Português. Destaca-se também as notas do primeiro período (G1) que obtiveram também correlações bem altas, 88% para Matemática e Português.…”

“…Ademais, não somente os fatores relacionados aos antecedentes acadêmicos influenciam no desempenho dos alunos, como salientado por Dabhade et al (2021), existe uma forte relação entre as características de comportamento dos alunos e o desempenho acadêmico, isso foi evidenciado neste estudo quando se observa a intenção (comportamento de motivação dos alunos) em cursar a graduação, visto que este fator tem uma influência de 35% sobre as notas finais dos alunos na disciplina de Português e 17% na de Matemática. Outro fator comportamental que impactou na performance dos alunos foi o consumo de álcool, mais especificamente com relação a base de dados de Português, em que foram identificadas correlações de -20% e -17%, para o consumo durante o período de aula (Dalc) e nos finais de semana (Walc), respectivamente; ocorrência que implica em atenção sobre o consumo de drogas, mesmo que lícitas.…”