An Ensemble Prediction Model for Potential Student Recommendation Using Machine Learning

نموذج تنبؤي تجميعي للتوصية بالطلاب المحتملين باستخدام التعلم الآلي

Clicks: 150
ID: 113687
2020
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Emerging

Ranked #134 of 145 articles by views in Symmetry

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 145 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Student performance prediction has become a hot research topic. Most of the existing prediction models are built by a machine learning method. They are interested in prediction accuracy but pay less attention to interpretability. We propose a stacking ensemble model to predict and analyze student performance in academic competition. In this model, student performance is classified into two symmetrical categorical classes. To improve accuracy, three machine learning algorithms, including support vector machine (SVM), random forest, and AdaBoost are established in the first level and then integrated by logistic regression via stacking. A feature importance analysis was applied to identify important variables. The experimental data were collected from four academic years in Hankou University. According to comparative studies on five evaluation metrics (precision, recall, F1, error, and area under the receiver operating characteristic curve (AUC) in this analysis, the proposed model generally performs better than compared models. The important variables identified from the analysis are interpretable, they can be used as guidance to select potential students.
بات التنبؤ بأداء الطلاب موضوعًا بحثيًا يحظى باهتمام واسع، حيث تُبنى معظم نماذج التنبؤ الحالية باستخدام طرائق تعلُّم الآلة، مع التركيز على دقة التنبؤ وإيلاء اهتمام أقل لقابلية التفسير. نقترح في هذا البحث نموذجًا تجميعيًا قائمًا على التكديس (stacking ensemble) للتنبؤ بأداء الطلاب وتحليله في المسابقات الأكاديمية. وفي هذا النموذج، يُصنَّف أداء الطلاب إلى فئتين نوعيتين متناظرتين. ولتحسين الدقة، تم بناء ثلاث خوارزميات لتعلُّم الآلة في المستوى الأول، تشمل آلة المتجهات الداعمة (SVM)، والغابة العشوائية (random forest)، وAdaBoost، ثم دُمجت باستخدام الانحدار اللوجستي عبر أسلوب التكديس. كما طُبِّق تحليل أهمية السمات لتحديد المتغيرات المهمة. وقد جُمعت البيانات التجريبية على مدار أربع سنوات أكاديمية من جامعة هانكو. ووفقًا لدراسات مقارنة استندت إلى خمسة مقاييس تقييمية في هذا التحليل (الدقة "precision"، والاسترجاع "recall"، ومقياس F1، ومعدل الخطأ "error"، والمساحة تحت منحنى خصائص تشغيل المستقبل "AUC")، أظهر النموذج المقترح عمومًا أداءً متفوقًا على النماذج المقارنة. وتتميز المتغيرات المهمة المستخلصة من التحليل بقابليتها للتفسير، مما يتيح استخدامها كدليل إرشادي لاختيار الطلاب ذوي الإمكانات الواعدة.
Reference Key
yan2020ansymmetry Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Yan, Lijuan;Liu, Yanshen;
Journal Symmetry
Year 2020
DOI
DOI not found
URL
https://www.mdpi.com/2073-8994/12/5/728
Keywords
chemistry Biology (General) Engineering (General). Civil engineering (General) Information technology Biotechnology Technology Science Agriculture (General) genetics mathematics

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.