Data Analysis and Prediction of Student Academic Performance

• Darshini, Priya ^[1]
  1. [1] Chanakya National Law University, Patna, India
• Localización: Health Leadership and Quality of Life, ISSN-e 3008-8488, Vol. 3, Nº. 0, 2024 (Ejemplar dedicado a: Health Leadership and Quality of Life)
• Idioma: inglés
• Títulos paralelos:
  • Análisis de datos y predicción del rendimiento académico de los estudiantes
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Introducción: predecir el rendimiento de los estudiantes en conjuntos de datos con distribuciones variables sigue siendo un reto complejo en el análisis educativo. Este estudio presenta un enfoque novedoso para abordar esta cuestión mediante la utilización de técnicas de aprendizaje por transferencia para mejorar la precisión de las predicciones. Objetivo: la investigación aprovecha un conjunto de datos exhaustivo de Kaggle, que abarca detalles demográficos, factores sociales e indicadores de rendimiento académico, para descubrir patrones y relaciones significativas que influyen en los resultados de los estudiantes. Al analizar estos factores, el estudio proporciona información valiosa que permite a los estudiantes evaluar su progreso académico, perfeccionar sus estrategias de aprendizaje y mejorar la eficiencia general.Método: la metodología propuesta no solo mejora la precisión predictiva, sino que también salva las brechas existentes en la comprensión del rendimiento de los estudiantes en diversos contextos educativos. Resultados: estos hallazgos pueden aplicarse para desarrollar sistemas de apoyo personalizados, que proporcionen a los estudiantes recomendaciones prácticas adaptadas a sus necesidades individuales.Conclusiones: al abordar estos desafíos, el estudio contribuye a una comprensión más profunda de la dinámica del rendimiento de los estudiantes y destaca el potencial de las técnicas predictivas avanzadas para impulsar intervenciones educativas significativas.

  • English

    Introduction: Predicting student performance across datasets with varying distributions remains a complex challenge in educational analytics. This study presents a novel approach to address this issue by utilizing transfer learning techniques to improve prediction accuracy. Objective: The research leverages a comprehensive dataset from Kaggle, encompassing demographic details, social factors, and academic performance indicators, to uncover significant patterns and relationships that influence student outcomes. By analyzing these factors, the study provides valuable insights that enable students to assess their academic progress, refine their learning strategies, and enhance overall efficiency.Method: The proposed methodology not only improves predictive accuracy but also bridges existing gaps in understanding student performance across diverse educational contexts. Result: These findings can be applied to develop personalized support systems, empowering students with actionable recommendations tailored to their individual needs.Conclusion: By addressing these challenges, the study contributes to a deeper understanding of student performance dynamics and highlights the potential of advanced predictive techniques to drive meaningful educational interventions.