Predicting academic performance: a systematic literature review

Abstract

The ability to predict student performance in a course or program creates opportunities to improve educational outcomes. With effective performance prediction approaches, instructors can allocate resources and instruction more accurately. Research in this area seeks to identify features that can be used to make predictions, to identify algorithms that can improve predictions, and to quantify aspects of student performance. Moreover, research in predicting student performance seeks to determine interrelated features and to identify the underlying reasons why certain features work better than others. This working group report presents a systematic literature review of work in the area of predicting student performance. Our analysis shows a clearly increasing amount of research in this area, as well as an increasing variety of techniques used. At the same time, the review uncovered a number of issues with research quality that drives a need for the community to provide more detailed reporting of methods and results and to increase efforts to validate and replicate work.

Curricular Concept Maps as Structured Learning Diaries: Collecting Data on Self-Regulated Learning and Conceptual Thinking for Learning Analytics Applications

“…The goal of this paper was to design a methodology by which data on SRL and conceptual thinking could be acquired during a course. This methodology contributes to recent development in the field of educational data mining and learning analytics, where a shift toward a more holistic view of a student has been recognized in data collection (Hellas et al, 2018). When connected with learning analytics applications and interventions such as dashboards or personalized feedback at scale (Pardo et al, 2017), DFS could potentially include and affect institutional, instructional, and learner-level actors.…”

Характеристика Методів Розв'язання Задачі Класифікації В Інтелектуальному Аналізі Даних Навчальних Програм

“…З використанням методів інтелектуального аналізу даних прогностичне моделювання зазвичай використовують у прогнозуванні успішності студентів. Загалом кількість досліджень у сфері інтелектуального аналізу даних у освітніх програмах швидко зростає, а також збільшується різноманітність використовуваних методів (Hellas et al, 2018). Відповідно в дослідженні (Muthukrishnan et al, 2017) було розглянуто методи, що використовують для створення моделей, та прогнозування успішності.…”

“…Одним із таких алгоритмів попередньої обробки є кластеризація (Dutt et al, 2017). Систематичні огляди літератури підтверджують загальну тенденцію у використанні методів лінійної регресії та класифікації, які є найбільш популярними до використання в різноманітних дослідженнях (Hellas et al, 2018). Проте все ще залишаються запитання до якості досліджень, зосереджених у проблематиці прогнозування успішності.…”

“…Проте все ще залишаються запитання до якості досліджень, зосереджених у проблематиці прогнозування успішності. Тільки 33 % досліджень мають чітку постановку задачі й тільки 8 % досліджень перевіряли результати в декількох наборах даних навчальних програм (Hellas et al, 2018).…”

“…Оскільки дуже часто автори використовують у дослідженні декілька алгоритмів, до уваги брали тільки перші 4 алгоритми з найкращим показником точності в конкретній публікації. Також, беручи до уваги результати інших публікацій на тему літературних оглядів (Hellas et al, 2018), у вибірку попадали тільки ті дослідження, що використовували унікальну неповторювану вибірку даних.…”