Enhancing Graduate Academic Performance Prediction and Classification: An Analysis Using the Enhanced Correlated Feature Set Model
Notice bibliographique
Résumé
Complex assessment processes and limited improvement opportunities contribute to the challenges currently confronting higher education institutions.Recent focus shifts in academic research have sought to leverage the unique datasets generated within these institutions, aiming to refine student identification and performance metrics.This study primarily investigates the role data analysis and mining play in augmenting the assessment capabilities within these education institutions.The uncertainties surrounding student progression and retention rates necessitate the systematic evaluation of extensive data amassed within institutional databases and Learning Supervision Method (LSM) datasets.The intent is to provide academic professionals with detailed analytics on student activities and progression, enabling the tailoring of support to individual students and thus potentially increasing the efficiency of their coursework completion.In response to the growing urgency to evaluate and improve graduation outcomes without compromising educational quality, this study employs classification and data mining techniques to analyze graduate student academic performance.Educational institutions, striving to optimize limited resources, stand to benefit from the recognized decision-making power of deep learning models.A comparative analysis of the performance of elementary school students in college settings versus college students revealed a superior performance by the elementary school cohort.The proposed Graduate Interlinked Precedent Academic-based Performance Analysis using Enhanced Correlated Feature Set Model (GIPA-PA-ECFSM) illuminated a significant correlation between third-year and final-year performances.The proposed model aids in the identification of student performance across semesters, facilitating more effective student monitoring.When compared with traditional models, the proposed model demonstrates superior performance in analyzing graduate performance levels.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».