Predictive analytic models of student success in higher education
Notice bibliographique
Résumé
Purpose Many higher education institutions are investigating the possibility of developing predictive student success models that use different sources of data available to identify students that might be at risk of failing a course or program. The purpose of this paper is to review the methodological components related to the predictive models that have been developed or currently implemented in learning analytics applications in higher education. Design/methodology/approach Literature review was completed in three stages. First, the authors conducted searches and collected related full-text documents using various search terms and keywords. Second, they developed inclusion and exclusion criteria to identify the most relevant citations for the purpose of the current review. Third, they reviewed each document from the final compiled bibliography and focused on identifying information that was needed to answer the research questions Findings In this review, the authors identify methodological strengths and weaknesses of current predictive learning analytics applications and provide the most up-to-date recommendations on predictive model development, use and evaluation. The review results can inform important future areas of research that could strengthen the development of predictive learning analytics for the purpose of generating valuable feedback to students to help them succeed in higher education. Originality/value This review provides an overview of the methodological considerations for researchers and practitioners who are planning to develop or currently in the process of developing predictive student success models in the context of higher education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,036 | 0,188 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,020 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».