Perspectives to Predict Dropout in University Students with Machine Learning

Solís, Martín; Moreira, Tânia; González, Roberto; Fernández, Tatiana; Hernández, María

doi:10.1109/iwobi.2018.8464191

Cited by 45 publications

(32 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Machine learning is an emerging trend in education, where it is applied in learning historical data and using it to predict learners' future behavior [6]. Therefore, many researchers have used the machine learning technique to predict students' future outcomes by classification, a popular machine learning technique [7], [8], [9].…”

Section: Literature Reviewmentioning

confidence: 99%

Predictive Model of Postgraduate Student’s Dropout and Delay Using Machine Learning Algorithms

2021

IJATCSE

View full text Add to dashboard Cite

Neural networks and Logical Regression algorithm provide the best ways to classify data, but they are outperformed continuously by the Decision Tree in analyzing student performance. Therefore, many scholars have used the Decision Tree to predict student performance with greater success. This research analyzed postgraduate student degree outcomes using socioeconomic data to develop a prediction model, where Decision Tree recorded the highest accuracy of 92.79%, better than Logical Regression and Neural Network. For brevity, the Decision Tree was used to produce the prediction model. Based on the study findings, postgraduate students who delay or drop out at the university mostly lack sponsors or had decreased income. Besides, male students delay or drop out if they had financial issues more than their female counterparts. Age, money management skills, number of children, and health expenses are the other factors that contribute to higher dropout or delay at the university. Therefore, this study provides a reliable prediction model for degree outcomes, allowing personalized follow-up to improve graduation rates.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

Predictive Model of Postgraduate Student’s Dropout and Delay Using Machine Learning Algorithms

2021

IJATCSE

View full text Add to dashboard Cite

show abstract

“…Solis et al [Solis et al 2018] utilizam algoritmos de aprendizado de máquina para prever desistências de estudantes universitários em um programa de graduação do Instituto Tecnológico da Costa Rica (ITCR). A amostraé composta por estudantes matriculados entre os anos de 2011 e 2016.…”

Section: Cenário Internacionalunclassified

Uma proposta para predição de risco de evasão de estudantes em um curso técnico em informática

Saraiva¹,

Pereira²,

Gallindo³

et al. 2019

Anais Do Workshop Sobre Educação Em Computação (WEI)

View full text Add to dashboard Cite

O alto ı́ndice de evasão em cursos de tecnologia é um desafio enfrentado por muitas instituições de ensino. Por isso, identificar os estudantes em situação de risco de evasão é relevante para que possam ser realizadas ações de incentivo à permanência e êxito. Este trabalho apresenta uma proposta para predição de evasão considerando informações acadêmicas e socioeconômicas de estudantes. Em particular, uma das etapas da proposta engloba a aplicação de algoritmos de Aprendizagem de Máquina. Um estudo de caso é apresentado considerando uma base de dados de 8 anos de um curso Técnico em Informática do IFCE. Os resultados demonstram a eficácia da proposta, alcançando 97,97% de taxa de acerto na previsão da situação dos estudantes.

show abstract

“…Heredia, Amaya y Barrientos (2015) utilizaron los prototipos difusos mediante clúster, una técnica de clasificación no supervisada a través de la cual se realizó la extracción de variables descriptivas del rendimiento académico de los estudiantes. De forma similar, se desarrollaron los trabajos presentados en Yukselturk, Ozekez y Türel (2014) y Solís et al (2018). Mendiola et al (2015) describen diferentes métodos de clasificación de datos como clustering, reglas de asociación y árboles de decisión que usan información del rendimiento de los estudiantes para determinar por qué los alumnos abandonan los estudios.…”

Section: Introductionunclassified

“…Mendiola et al (2015) describen diferentes métodos de clasificación de datos como clustering, reglas de asociación y árboles de decisión que usan información del rendimiento de los estudiantes para determinar por qué los alumnos abandonan los estudios. Solís et al (2018) abordan el problema de alta dimensionalidad y desbalance de datos en la predicción de falla estudiantil. Ambos, dimensionalidad y desbalance, son retos importantes y de actualidad en el aprendizaje automático e inclusive en el profundo o Deep Learning (Leevy et al, 2018).…”

Section: Introductionunclassified

Procesamiento de bases de datos escolares por medio de redes neuronales artificiales

et al. 2020

View full text Add to dashboard Cite

El estudio de bases de datos escolares es un área que ha sido poco estudiada y cuestionada desde el punto de vista de la minería de datos o la inteligencia artificial, actualmente, existen algunos trabajos que muestran su procesamiento mediante algoritmos de aprendizaje automático o “inteligentes”, sin embargo, no se detienen a analizar la pertinencia de procesar datos cualitativos como si fueran cuantitativos. En este trabajo, se estudia este problema con el uso de tres modelos de red neuronal. Los resultados evidencian la capacidad de estos modelos para clasificar con un alto grado de acierto tendencias en los estudiantes, utilizando principalmente datos cualitativos.

show abstract

Perspectives to Predict Dropout in University Students with Machine Learning

Cited by 45 publications

References 6 publications

Predictive Model of Postgraduate Student’s Dropout and Delay Using Machine Learning Algorithms

Predictive Model of Postgraduate Student’s Dropout and Delay Using Machine Learning Algorithms

Uma proposta para predição de risco de evasão de estudantes em um curso técnico em informática

Procesamiento de bases de datos escolares por medio de redes neuronales artificiales

Contact Info

Product

Resources

About