Predictive Analysis of Computer Science Student Performance: An ACM2013 Knowledge Area Approach
Notice bibliographique
Résumé
In the realm of Educational Data Mining (EDM), the predictive analysis of student performance has emerged as a pivotal area of interest, particularly within computer science education.This investigation employs machine learning and data mining techniques to project academic outcomes of computer science undergraduates, anchoring its framework on the Association for Computing Machinery's (ACM) 2013 Body of Knowledge (Bok), as delineated in the curriculum guidelines for undergraduate computing programs.Encompassing 18 Knowledge Areas (KAs), each with multiple Knowledge Units (KUs), the ACM2013 guideline serves as a comprehensive scaffold for curriculum development, ensuring an inclusive coverage of essential skills and subjects.Through an analysis of data from 2,756 students across nine years at Qassim University's College of Computer Science, this study aims to pinpoint performance levels across various KAs and semesters.Linear regression models were constructed to predict student performance, with their accuracy evaluated through Mean Absolute Error (MAE), Mean Square Error (MSE), and Root Mean Square Error (RMSE).The predictive accuracy varied across courses, with "Systems Programming" and "Graduation_1" demonstrating high alignment with actual scores, while courses like "Artificial Intelligence" and "Compiler Design" revealed significant discrepancies.A correlation analysis between predicted and actual scores further assessed the models' precision.Findings underscore the utility of EDM in academic settings, especially for tailoring predictive models that enhance student performance prediction in computer science.The identification of KAs with high predictive accuracy corroborates the curriculum's alignment with student achievements, whereas lower accuracy areas highlight potential gaps in curriculum or pedagogy, offering vital insights for educators and curriculum designers to refine educational strategies and resources for improved student outcomes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,006 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».