预测学生的学术进步和第一年医学学生的相关属性:用人工神经网络和朴素贝叶斯分析

科学领域:

• 医学教育 医学教育
• 教育数据挖掘教育数据挖掘
• 机器学习 机器学习

背景情况:

• 退学和学业表现不佳是医学院的重大挑战,特别是在新兴经济体.
• 早期识别有风险的学生对于开发有效的教育干预措施至关重要.
• 教育数据挖掘 (EDM) 提供了预测有学业失败或学风险的学生的方法.

研究的目的:

• 采用机器学习模型,特别是人工神经网络 (ANN) 和天真贝叶斯 (NB),以识别可能取得学术成功的第一年医学学生.
• 利用社会人口统计数据和学术历史来预测学生的学业成绩.

主要方法:

• 来自墨西哥国家自治大学 (UNAM) 的7976名医学学生的7个队伍 (2011-2017) 的数据分析.
• 包括诸如入学诊断考试结果,学历,社会人口统计学特征和家庭环境 (共48个变量) 等变量.
• 人工神经网络 (ANN) 和天真贝叶斯 (NB) 模型的应用,遵循标准的知识发现过程 (预处理,分析,验证).

主要成果:

• 人工神经网络 (ANN) 在准确度,灵敏度和特异性方面表现略高,与纯粹贝叶斯网络 (NB) 相比.
• 两种模型都显示了更高的敏感性在常规学生的分类和更好的特异性不规则的学生.
• 诊断检查中正确答案的百分比被确定为天真贝叶斯模型中最具预测性的变量.

结论:

• ANN和NB模型都是预测本科医学教育学术成绩的有效工具.
• 虽然ANN提供了稍微更好的预测准确性,但NB允许更详细地分析变量影响.
• 教育数据挖掘和机器学习分类技术具有提高医学教育策略的巨大潜力.