机构名称：
¥ 1.0
摘要 - 本研究开发了统计学习模型，以评估本科生在预定期内毕业的可能性，并利用入学，表现和人口统计数据。国家教育统计中心（NCES）的最新数据强调了解决学生流失的紧迫性，这表明六年来全职本科生的完成率为59％。这项研究利用沙特大学的机构数据，重点是在2012-2013和2013-2014学年招收的新生，以确定有辍学风险的学生，从而实现及时的干预措施。使用精确，回忆，准确性和Matthews相关系数（MCC）构建和评估了在代表整个数据集的33.3％的测试集上构建和评估的十种算法，包括决策树，集合模型，SVM和ANN。调查结果表明，SVM和随机森林模型是最可靠的，分别达到0.830和0.831，并保持精确度，召回和MCC的平衡。相反，天真的贝叶斯模型记录了最差的表现。比较分析揭示了整体模型在预测学生流失方面的优越性能，而不是决策树模型，强调了模型选择在制定有效的早期干预策略中的重要性。此外，我们的分析表明，学术数据比录取数据更好地预测了时间毕业的预测指标，强调了机构需要专注于持续的学术评估数据。
算法预测大学的学生准时毕业
主要关键词
相关文件推荐
