Abstract
Tóm tắt: Dự báo kết quả học tập và tìm ra các yếu tố có ảnh hưởng đến kết quả đó có ý nghĩa vô cùng quan trọng đối với không chỉ các nhà quản lý giáo dục mà cả đối với sinh viên. Tuy nhiên, các nghiên cứu về ứng dụng khai phá dữ liệu trong dự báo kết quả học tập tại Trường Đại học kinh tế, Đại học Huế còn chưa được khai thác tương xứng với tiềm năng của dữ liệu được lưu trữ. Nghiên cứu này sử dụng kỹ thuật trích chọn thuộc tính và kỹ thuật phân lớp dựa trên các giải thuật cây quyết định được trong phần mềm WEKA (Waikato Environment for Knowledge Analysis) để xây dựng các mô hình dự báo kết quả cuối khóa sau khi kết thúc từng kỳ học. Kết quả cho thấy các thuộc tính bao gồm: giới tính, số tín chỉ tích lũy ngành và điểm trung bình chung của mỗi học kỳ là các thuộc tính được giữ lại ở hầu hết trong các tập dữ liệu con sau khi trích chọn. Đặc biệt, J48 là giải thuật phù hợp nhất trong xây dựng mô hình cây quyết định dự báo kết quả cuối khóa của sinh viên.
References
- Brijesh B. (2011), Mining Educational Data to Analyze Students' Performance, International Journal of Advanced Computer Science and Applications, 5(7), 65–75.
- Dekker G. and Pechenizkiy M. (2009), Predicting students drop out: A case study, in International Conference on Educational Data Mining, 41–50, The Netherlands.
- Yehuala M. A. (2015), Application Of Data Mining Techniques For Student Success And Failure Prediction, International Journal of Scientific & Technology research, 4(4), 342–250.
- Baradwaj B., Pal S. (2012), Mining educational data to analyze students' performance, IJACSA 2, 4(4), 63–69.
- Nithya P., Umamaheswari B., Umadevi A. (2016), A survey on educational data mining in field of education, Journal Computer Science Software Development, 7(8), 1–6.
- Romero C., Sebastian V. (2007), Educational data mining: A survey from 1995 to 2005, Expert Systems with Applications, 3(5), 135–146.
- Merceron A., Ycef K. (2005), Educational Data mining: A case study, in International Conference on Artificial Intelligence in Education, The Netherlands.
- Bayer J., Bydzovska H., G´eryk J. (2012), Predicting drop-out from social behaviour of students, in the 5th International Conference on Educational Data Mining, Czech Republic.
- Kapoor P.. Reena R. (2015), Efficient Decision Tree Algorithm Using J48 and Reduced Error Pruning, International Journal of Engineering Research and General Science, 5(7), 67–90.
- R. Kohavi (1995), A study of cross-validation and bootstrap for accuracy, in International Joint Conference on Artificial Intelligence, Quebec, Canada.
- Sharma P. (2014), Comparative Analysis of Various Decision Tree Classification Algorithms using WEKA, International Journal on Recent and Innovation Trends in Computing and Communication, 3(2), 684–690.
- Lei X., Pingfan Y. (1988), Best first strategy for feature selection, the 9th International Conference in Pattern Recognition, Roma.
- Aggarwal M. (2013), Performance Analysis Of Different Feature Selection Methods In Intrusion Detection, International journal of scientific & technology research, 2(6), 225–235.
- Sembiring S., Hartama D. (2011), Prediction of Student Academic Performance, in International Conference on Management and Artificial Intelligence, Bali.
- Delavari N., Beikzadeh M. R. (2005), Application of Enhanced Analysis Model for, in Juan Dolio, Dominican Republic.
- Sarker, F., Thanassis T., Davis H. C. (2013), Student’s performance prediction by using institutional internal and external open data sources, in 5th International Conference on Computer Supported Education. 6–8 May, Aachen Germany.
- Do Q. H., Chen J. F. (2013), A Neuro-Fuzzy Approach in the Classification of Students’ Academic Performance, Computational Intelligence and Neuroscience, 4(6), 60–67.
- Kiranmai A., Jaya L. (2018), Data mining for classification of power quality problems using WEKA and the effect of attributes on classification accuracy, Protection and Control of Modern Power System, 8(6), 470–482.