The Causal Factors Affecting the Management of Predictive Student Relationship using Business Intelligence Concept for the Retention of Undergraduate Students
Notice bibliographique
Résumé
This study aims to analyze causal factors affecting predictive student relationship management for undergraduate student retention using business intelligence. Phase 1 involved identifying key factors influencing retention through document analysis, categorizing them into social, learning, teaching, and student-related factors. Social factors include student community, friendships, communication channels, and organizational culture, which promote engagement, motivation, and perseverance. Learning and teaching factors, such as supportive learning environments, scholarships, instructional design, and structured assignments, impact academic success and retention. Student-related factors, including learning abilities, academic preparedness, goals, and parental support, are essential for persistence. Data was gathered from 1,574 students at Valaya Alongkorn Rajabhat University, with 1,160 usable entries after cleansing. Exploratory Factor Analysis (EFA) grouped these variables into five components: Student Communication Channels, Academic Proficiency, Parental Guidance, Scholarships, and Organizational Culture. Confirmatory Factor Analysis (CFA) validated the model, highlighting well-clustered factors. In Phase 2, a predictive model was developed using stepwise multiple regression, identifying impactful variables, such as note-taking abilities, scholarship counseling, peer communication, and access to advisors. The final model, with an R value of 0.881 and an adjusted R² of 0.777, demonstrated 77.7% predictive accuracy, emphasizing the combined influence of academic support, communication, financial aid, and social integration on student retention. The findings suggest that institutions should prioritize these areas to foster a conducive environment for student success.
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 | 0,005 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».