- MSc thesis
- Δημόσια Διοίκηση και Ηλεκτρονική Διακυβέρνηση (ΔΜΔ)
- 23 Φεβρουαρίου 2025
- Ελληνικά
- 102
- Αλέξανδρος Τζάλλας
- Γεωργία Παναγιωτίδου | Θεόδωρος Χατζηπαντελής
- Εξόρυξη Εκπαιδευτικών Δεδομένων | Πρόβλεψη επίδοσης | Εγκατάλειψη σπουδών | Μηχανική Μάθηση | WEKA | Ανάλυση δεδομένων
- Δημόσια Διοίκηση και Ηλεκτρονική Διακυβέρνηση / ΔΜΔ60
- 3
- 111
- Περιλαμβάνει εικόνες και πίνακες
-
-
Η εγκατάλειψη των σπουδών από τους φοιτητές αποτελεί σοβαρό πρόβλημα για την Ανώτατη Εκπαίδευση, καθώς επηρεάζει αφενός το άτομο που διακόπτει τις σπουδές του, και αφετέρου το εκπαιδευτικό ίδρυμα και την κοινωνία γενικότερα. Ο έγκαιρος εντοπισμός των φοιτητών που κινδυνεύουν να εγκαταλείψουν τις σπουδές τους είναι κρίσιμος για την αντιμετώπιση του προβλήματος και τη δημιουργία των απαραίτητων συνθηκών για στοχευμένη παρέμβαση. Η Εξόρυξη Εκπαιδευτικών Δεδομένων είναι ένας αναδυόμενος κλάδος, ο οποίος ασχολείται με την ανάπτυξη μεθόδων για την εξερεύνηση των δεδομένων που προέρχονται από το εκπαιδευτικό περιβάλλον, και αποτελεί ένα ελπιδοφόρο εργαλείο για την ανάπτυξη ενός προγνωστικού μοντέλου για την ακαδημαϊκή επίδοση των φοιτητών. Η αποδοτική πρόβλεψη της επίδοσης, και κατ’ επέκταση της ενδεχόμενης εγκατάλειψης των σπουδών, από τα καταγεγραμμένα εκπαιδευτικά δεδομένα αποτελεί τα τελευταία χρόνια κρίσιμο θέμα έρευνας, καθώς αρκετές μελέτες έχουν δώσει έμφαση στην πρόβλεψη της επίδοσης των φοιτητών, χρησιμοποιώντας τεχνικές εξόρυξης δεδομένων. Στην παρούσα μελέτη, προτείνουμε τη χρήση βασικών μεθόδων πρόβλεψης, όπως η ταξινόμηση και η παλινδρόμηση, για την πρόβλεψη του χρόνου ολοκλήρωσης των σπουδών και του βαθμού πτυχίου των φοιτητών με βάση τον χρόνο που απαιτήθηκε για την επιτυχή εξέταση των μαθημάτων του πρώτου έτους και τη βαθμολογία τους. Στο σύνολο δεδομένων που προήλθε από τα ακαδημαϊκά στοιχεία των φοιτητών που εισήλθαν στο Τμήμα Ιατρικής του Πανεπιστημίου Ιωαννίνων από το 2000 έως το 2010, εφαρμόστηκαν οι αλγόριθμοι της Γραμμικής Παλινδρόμησης και του Τυχαίου Δάσους με το εργαλείο WEKA. Η μέθοδος της ταξινόμησης παρουσίασε καλύτερη απόδοση και ο αλγόριθμος του Τυχαίου Δάσους δύναται να παρέχει τα καλύτερα αποτελέσματα ακριβείας. Βάσει των ευρημάτων της μελέτης, είναι εφικτός ο έγκαιρος εντοπισμός των φοιτητών που κινδυνεύουν να αποτύχουν σε κάποια ακαδημαϊκά μαθήματα, και οι διάφοροι φορείς της εκπαίδευσης μπορούν να χρησιμοποιήσουν τις εξαχθείσες πληροφορίες για έγκαιρη παρέμβαση και μείωση των αρνητικών επιπτώσεων στα μαθησιακά αποτελέσματα των φοιτητών.
-
Students dropping out is a serious issue for Higher Education, as it affects both the individuals withdrawing from their studies and the educational institution and society. The early identification of students at risk of dropping out is crucial for addressing the problem and creating the necessary conditions for targeted intervention. Educational Data Mining is an emerging field that focuses on developing methods for exploring data derived from the educational environment, serving as a promising tool for building predictive models of students' academic performance. In recent years, efficient prediction of student performance —and consequently, the likelihood of dropout— based on recorded educational data has been a critical research topic, with several studies emphasizing performance prediction using data mining techniques. In this study, we propose the use of basic prediction methods, such as classification and regression, to predict the time required to complete a degree and the grade point average. These predictions are based on the time taken to successfully complete first-year courses and the corresponding grades. Using a dataset derived from the academic records of students who entered the Medical School of the University of Ioannina between 2000 and 2010, we applied linear regression and random forest algorithms using the WEKA tool. The classification method demonstrated better performance, with the random forest algorithm providing the most accurate results. Based on the study's findings, it is possible to identify students at risk of failing certain academic courses in a timely manner. Educational stakeholders can utilize the extracted insights for early intervention, helping to reduce negative impacts on students' learning outcomes.
-
- Hellenic Open University
- Αναφορά Δημιουργού 4.0 Διεθνές