So sánh hiệu năng các mô hình học máy trong dự báo kết quả học tập sinh viên ngành Công nghệ thông tin và Kỹ thuật phần mềm, Trường Đại học An Giang

Tóm tắt

Dự đoán kết quả học tập của người học là một hướng ứng dụng quan trọng của trí tuệ nhân tạo trong giáo dục nhằm hỗ trợ cá nhân hóa lộ trình học tập và can thiệp sớm đối với người học có nguy cơ gặp khó khăn trong học tập. Nghiên cứu này thực hiện đánh giá và so sánh hiệu năng của chín mô hình học máy, bao gồm cả các thuật toán cơ bản (KNN, SVM, DCT, MLP) và các mô hình học tổng hợp (RF, Bagging, AdaBoost, XGBoost, CatBoost) trong dự báo xếp loại tốt nghiệp của sinh viên ngành Công nghệ thông tin và Kỹ thuật phần mềm tại Trường Đại học An Giang. Dữ liệu gồm 788 hồ sơ sinh viên đã tốt nghiệp từ năm 2019 đến 2024 được xử lý, cân bằng và chuẩn hoá. Kết quả cho thấy SVM đạt hiệu suất cao nhất trên dữ liệu ngành CNTT, trong khi CatBoost vượt trội trên dữ liệu ngành KTPM. Nghiên cứu khẳng định rằng lựa chọn mô hình học máy phù hợp cần dựa vào đặc trưng dữ liệu của từng ngành học cụ thể, đồng thời mở ra tiềm năng ứng dụng các mô hình này trong hệ thống tư vấn học tập và cảnh báo sớm tại các cơ sở giáo dục đại học.

Từ khóa: Học máy, dự đoán kết quả học tập, khai thác dữ liệu giáo dục, Công nghệ thông tin, Kỹ thuật phần mềm

Tải bài báo