Heuristic-Based Backpropagation Algorithm Parameter Optimization to Improve Accuracy Study Program Prediction as an Effort to Achieve Quality Education
Notice bibliographique
Résumé
Predicting students' study programs based on heterogeneous academic and personal attributes remains a complex challenge in educational data mining.Conventional neural network models that rely solely on academic parameters often suffer from misclassification and weak generalization.This study proposes a heuristic-based backpropagation optimization framework that combines a Genetic Algorithm (GA) with an adaptive Fusion- mechanism to enhance Multi-Layer Perceptron (MLP) performance.The GA adaptively tunes learning rate, momentum, batch size, and neuron configuration, while Fusion- balances the contributions of academic (grades in mathematics, English, and Indonesian) and non-academic features (interests, personality traits, and learning styles).Using a dataset of undergraduate students from Universitas Katolik Santo Thomas Medan (class of 2024), the proposed GA-Fusion- model was trained for 50 epochs under a stratified data-split setting.Experimental results reveal an accuracy improvement from 47.37% to 52.63%, corresponding to a 5.26% absolute and 11.1% relative gain.Although the improvement appears modest, it is educationally meaningful, as it reduces program misplacement errors by nearly 10%, which directly enhances academic guidance and admission decisions.The results indicate that heuristic-guided parameter optimization improves model stability, reduces overfitting risks, and provides a methodologically novel pathway toward developing adaptive, fair, and data-driven educational recommender systems that support the goal of quality higher education (SDG 4).
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».