Implementing a Machine Learning Approach to Predicting Students’ Academic Outcomes

Oreshin, Svyatoslav A.; Filchenkov, Andrey; Petrusha, Polina; Krasheninnikov, Egor; Panfilov, Alexander; Glukhov, I.A.; Kaliberda, Yulia; Masalskiy, Daniil; Serdyukov, Alexey; Kazakovtsev, Vladimir; Khlopotov, Maksim; Podolenchuk, Timofey; Smetannikov, Ivan; Kozlova, Daria

doi:10.1145/3437802.3437816

Cited by 11 publications

(6 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Finalmente, se destacó la importancia de la transición del aprendizaje presencial al aprendizaje en línea, lo que requiere que tanto los estudiantes como los instructores tengan acceso y dominen la tecnología digital. (51) Figura 5. Propuestas de soluciones https://doi.org/10.56294/sctconf2023473 ¿Se informaron otros resultados relevantes en el estudio?…”

Section: Hallazgos Principalesunclassified

“…Estos hallazgos contribuyen al conocimiento en el campo de la medición del desempeño académico y pueden tener implicaciones importantes para el diseño de estrategias educativas efectivas. (50,51,52,53,54) En esta revisión sistemática de la literatura, se analizaron 14 artículos que investigaron la mejora en el rendimiento académico. Al comparar los resultados de estos estudios, se observaron varias conclusiones interesantes.…”

Section: Hallazgos Principalesunclassified

See 1 more Smart Citation

Machine learning for the improvement of adaptive learning in university education

Jara-Abanto,

Velasquez-Medina,

Meneses-Claudio

2023

Salud, Ciencia y Tecnología - Serie de Conferencias

View full text Add to dashboard Cite

La IA se está introduciendo cada vez más en el campo de la educación y el sistema educativo, con esto también el enfoque a la personalización de la educación según las necesidades de cada estudiante. Esta revisión tiene como objetivo analizar el impacto del aprendizaje adaptativo mediante el uso de inteligencia artificial y técnicas de machine learning en la mejora del aprendizaje en la educación universitaria identificando las principales aplicaciones, beneficios y desafíos de esta tecnología. Se realizaron búsquedas exhaustivas en la base de datos de Scopus, donde 22 de 125 estudios encontrados cumplieron con los criterios de inclusión. Los resultados mostraron que la clasificación de los estudiantes según su tipo de percepción del contenido educativo y el uso del análisis de texto escrito como base para esta clasificación fue propuesta como estrategias para mejorar la calidad y personalización de la educación. Asimismo, se destacó la utilidad de algoritmos de machine learning basados en SVM para predecir las calificaciones finales de los estudiantes y detectar posibles dificultades de aprendizaje Se llegó a la conclusión de que la detección temprana de dificultades de aprendizaje, la personalización del aprendizaje y la consideración de variables demográficas y de género para mejorar el rendimiento académico de los estudiante proporcionan una base sólida para el diseño de estrategias educativas efectivas y que resaltan el potencial de la IA y el ML para transformar el sector educativo.

show abstract

Section: Hallazgos Principalesunclassified

Machine learning for the improvement of adaptive learning in university education

Jara-Abanto,

Velasquez-Medina,

Meneses-Claudio

2023

Salud, Ciencia y Tecnología - Serie de Conferencias

View full text Add to dashboard Cite

show abstract

“…Leite et al [2019] e Silva et al [2022] destacam que um dos focos principais dos SRs tem sido a recomendação de Objetos de Aprendizagens (OA), como ocorre nos trabalhos de Ferreira et al [2015] e Silva et al [2021]. Oreshin et al [2020] destacam que estratégias de aprendizagens têm sido o foco de recomendação desses sistemas, como ocorre em Ramos et al [2020] e Amaral et al [2021]. Campos et al [2018] citam exemplos de SRs voltados à educação, como PMoodle, LORSys, Dica e RecoaComp.…”

Section: Trabalhos Relacionadosunclassified

Avaliação de um modelo de Sistema de Recomendação que integra Metodologias Ativas e Mineração de Dados Educacionais para mitigar a evasão na Educação a Distância

Andrade,

Almeida,

Barbosa

et al. 2023

Anais Do XXXIV Simpósio Brasileiro De Informática Na Educação (SBIE 2023)

View full text Add to dashboard Cite

Na medida em que aumenta a popularidade da Educação a Distância, o alto índice de evasão preocupa os gestores e professores, que buscam meios para identificar as situações passíveis de desistências e motivar os alunos a permanecerem nos estudos. Esse artigo apresenta um modelo de Sistema de Recomendação que integra a estratégia pedagógica das Metodologias Ativas para mitigar os riscos de reprovação e potencializar a permanência dos alunos identificados através das técnicas de Mineração de Dados Educacionais como propensos a evadir. Um protótipo foi desenvolvido e aplicado em uma disciplina para a avaliação de funcionalidade e aceitação. De acordo com o Modelo TAM, mais de 90% dos alunos concordaram com a facilidade de uso e 88% concordaram que o modelo pode ser útil no processo de ensino e aprendizagem.

show abstract

“…Traditional machine learning methods like Support Vector Machines (SVM) and Boosted Trees with ensemble methods were used to achieve accuracies ranging from 71% to 93.5% depending on the term in which prediction was made; earlier terms yielding lower accuracies (Hannaford et al, 2021). Boosted trees were also used achieve an accuracy of 91% to predict student dropout (Oreshin et al, 2020). Similarly, AutoML was used with ensemble models on admission data of students to achieve accuracy rates of about 75% (Zeineddine et al, 2021).…”

Section: Related Workmentioning

confidence: 99%

Exploring Predicting Performance of Engineering Students Using Deep Learning

2021

18th International Conference Cognition and Exploratory Learning in Digital Age 2021

View full text Add to dashboard Cite

A significant amount of research has gone into predicting student performance and many studies have been conducted to predict why students drop out. A variety of data including digital footprints, socio-economic data, financial data, and psychological aspects have been used to predict student performance at the test, course, or program level. Fairly good prediction results have been achieved using both traditional machine learning and more recently deep learning methods. While using diverse sets of data has achieved good results, this data is often difficult and expensive to collect, and may have privacy-related issues. This paper explores the extent to which only prior performance data readily available with registrars in most Universities can be used to predict student performance in future terms. Twenty term data from 789 students enrolled an engineering program at an American University were used to train long term short term (LSTM), Bi-directional LSTM and Gated Reference Units (GRU) models to predict student performance in future terms. The results are that all three types of models were able to reasonably predict the next term's performance (F1-score of about 0.70) regardless of the number of terms a student had spent the University. The models generally did not overfit. The prediction was reasonable until about trying to predict performance on seventh term in the future, but the performance dropped beyond this point primarily due to lack of sufficient data (F1-score of about 0.2).

show abstract

Implementing a Machine Learning Approach to Predicting Students’ Academic Outcomes

Cited by 11 publications

References 16 publications

Machine learning for the improvement of adaptive learning in university education

Machine learning for the improvement of adaptive learning in university education

Avaliação de um modelo de Sistema de Recomendação que integra Metodologias Ativas e Mineração de Dados Educacionais para mitigar a evasão na Educação a Distância

Exploring Predicting Performance of Engineering Students Using Deep Learning

Contact Info

Product

Resources

About