Naïve Bayes Classifier-Based Intelligent System for Student Academic Performance Assessment
Notice bibliographique
Résumé
This study proposes the design and implementation of an intelligent academic performance assessment system based on the Na ve Bayes Classifier algorithm.The system is developed using PHP and MySQL and is architected with a lightweight and modular structure tailored for school environments with limited technological resources.It integrates a classification engine capable of processing diverse academic indicators, including test scores, attendance records, and behavioral data, to classify students into performance categories (low, medium, high).Compared to conventional assessment methods that often rely on manual judgment and are prone to inconsistency, this system offers a data-driven and objective alternative that supports evidence-based educational decision-making.Across ten testing iterations, the system achieved an average classification accuracy of 96.67%, demonstrating its predictive reliability.Moreover, user evaluations involving 230 respondents (teachers and students) reported an overall satisfaction rate of 86.8%, indicating strong acceptance in terms of usability and effectiveness.The study highlights the advantages of Na ve Bayes over more complex algorithms such as XGBoost and neural networks, emphasizing its ease of interpretation, computational efficiency, and practical deployability in real-world educational contexts.The system's predictive outputs enable early identification of students requiring academic intervention and support differentiated instruction, ultimately contributing to the enhancement of personalized learning pathways.These findings reinforce the role of machine learning, particularly interpretable and resource-efficient models, in transforming traditional assessments into intelligent and scalable educational solutions.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».