Search Results
Az iskolai kötődés és a lemorzsolódás összefüggései
Relationship of School Attachment and Dropout
–101. 8 Fehérvári A. (2015) Lemorzsolódás és a korai iskolaelhagyás trendjei. Neveléstudomány , Vol. 3. No. 3. pp. 31–47. 9 Finn, J. D. & Voelkl, K. E. (1993) School
A hallgatói munkavállalás mint a lemorzsolódás egyik lehetséges tényezője +
Working During Studies: The Potential Factor of Dropout
Fenyves V., Bácsné Baba É., Szabóné Szőke R., Kocsis I., Juhász Cs., Maté E. & Pusztai G. (2017) Kísérlet a lemorzsolódás mértékének és okainak megragadására a Debreceni Egyetem Gazdaságtudományi Kar példáján
Lemorzsolódás előrejelzése személyre szabott értelmezhető gépi tanulási módszerek segítségével
Predicting dropout using personalized interpretable machine learning tools
Összefoglalás.
A hallgatói lemorzsolódás az egyik legégetőbb probléma a felsőoktatásban. Ebben a munkában a lemorzsolódás előrejelzésén keresztül bemutatjuk, hogyan tudják segíteni a felsőoktatás résztvevőit a magyarázható mesterséges intelligencia (XAI) eszközök, mint például a permutációs fontosság, a parciális függőségi ábra és a SHAP. Végül pedig kitérünk a kutatás gyakorlati hasznosulásának lehetőségeire, például, hogy az egyéni előrejelzések magyarázata hogyan teszi lehetővé a személyre szabott beavatkozást. Az elemzések során azt találtuk, hogy a középiskolai tanulmányi átlag bír a legnagyobb prediktív erővel a végzés tényére vonatkozóan. Továbbá annak ellenére, hogy egy műszaki egyetem adatait elemeztük, azt találtuk, hogy a humán tárgyaknak is nagy inkrementális prediktív erejük van a végzés tényére vonatkozóan a reál tárgyakhoz képest.
Summary.
Delayed completion and student drop-out are some of the most critical problems in higher education, especially regarding STEM programs. A high drop-out rate induces both individual and economic loss, hence a detailed investigation of the main reasons for dropping out is warranted. Recently, there has been a lot of interest in the use of machine learning methods for the early detection of students at risk of dropping out. However, there has not been much debate on the use of interpretable machine learning (IML) and explainable artificial intelligence (XAI) technologies for dropout prediction. In this paper, we show how IML and XAI techniques can assist educational stakeholders in dropout prediction using data from the Budapest University of Technology and Economics. We demonstrate that complex black-box machine learning algorithms, for example CatBoost, are able to effectively detect at-risk student using only pre-enrollment achievement measures, but they lack interpretability. We demonstrate how the predictions can be explained both globally and locally using IML methods including permutation importance (PI), partial dependence plot (PDP), LIME, and SHAP values.
Using global interpretations, we have found that the factor that has the greatest impact on academic performance is the high school grade point average, which measures general knowledge by taking into account grades in history, mathematics, Hungarian language and literature, a foreign language and a science subject. However, we also found that both mathematics and the subject of choice are among the most important variables, which suggests that program-specific knowledge is not negligible and complements general knowledge. We discovered that students are more likely to drop out if they do not start their university studies immediately after leaving secondary school. Using a partial dependence plot, we showed that humanities also have incremental predictive power, despite the fact that this analysis is based on data from a technical university. Finally, we also discuss the potential practical applications of our work, such as how the explanation of individual predictions allows for personalized interventions, for example by offering appropriate remedial courses and tutoring sessions. Our approach is unique in that we not only estimate the probability of dropping out, but also interpret the model and provide explanations for each prediction. As a result, this framework can be used in several fields. By predicting which majors they could be most successful in based on high school performance indicators, it might, for instance, assist high school students in selecting the appropriate programs at universities and hence this way it could be used for career assistance. Through the explanations of local predictions, the framework provided can also assist students in identifying the skills they need to develop to succeed in their university studies.
Lemorzsolódási kockázatok a felsőoktatásba kerülés előtt
Dropout Risks before Enrollment in Higher Education
Fehérvári A. (ed.) (2008) Szakképzés és lemorzsolódás . Kutatás közben 283. Budapest, Oktatáskutató és Fejlesztő Intézet. 7 Fenyves V., Bácsné Bába É., Szabóné Szőke R., Kocsis
Nem lineáris életutak a felsőoktatásban, avagy hogyan kerüljük el a lemorzsolódást?
Non-Linear Life Paths in Higher Education, or How Do We Avoid Dropping Out?
: 2020. 06. 05.] 3 Fenyves V., Bácsné Bába É., Szabóné Szőke R., Kocsis I., Juhász Cs., Máté E. & Pusztai G. (2017) Kísérlet a lemorzsolódás mértékének és okainak
A doktori képzésből lemorzsolódók vizsgálata
Students Dropped out of the Doctoral Program
A., Pallay K., Szabó B. É., Szigeti F. & Tóth D. A. (2018) A pedagógus hallgatók késleltetett diplomaszerzése interjúk alapján. In: Pusztai G. & Szigeti F. (eds) Lemorzsolódás és perzisztencia a
Lemorzsolódási kockázat az orvostanhallgatók körében
Dropout risk among medical students
Összefoglaló. Bevezetés: Az orvostanhallgatókat 2015-től – évente emelkedő – súlyozott tanulmányi átlag el nem érése esetén költségtérítési képzésbe sorolják át, ami komoly egészségpolitikai következményekkel járhat az orvosutánpótlás biztosítása szempontjából, a megnövekedett lemorzsolódások miatt. Célkitűzés: A hazai orvostanhallgatók lemorzsolódási magatartásának vizsgálata, a költségtérítés fenyegetése nélküli képzési struktúrában. Módszer: A Felsőoktatási Információs Rendszer 2010. évi, a magyar orvostanhallgatókra vonatkozó teljes körű adatbázisa alapján (n = 1046), többváltozós elemzéssel feltártuk a lemorzsolódásra ható tényezőket. Eredmények: A 2010-ben kezdők 83,6%-a mindvégig államilag finanszírozottként tanult (a lemorzsolódás 9,4% volt), 8% átkerült költségtérítéses képzésre (a lemorzsolódás meghaladta az 50%-ot). A lemorzsolódókra jellemző a kreditakkumuláció korai lelassulása, a passziváltatás. A gyűjtött kreditek száma csökkentette, a passzív félévek száma növelte a lemorzsolódás esélyét. Következtetés: A lemorzsolódást tanulmányi (alacsony kreditszám, passzív félévek) és nem tanulmányi (költségtérítés) tényezők befolyásolhatják. Védőhálót jelenthet a kollégiumi elhelyezés, ami a tanulmányokkal összefüggő költségeket mérsékeli, ugyanakkor a hallgató társadalmi tőkére tehet itt szert, ami támogathatja tanulmányai eredményességét is. Orv Hetil. 2019; 160(21): 829–834.
Summary. Introduction: From 2015, medical education has introduced a cost-reimbursement for medical students who do not reach the yearly rising weighted average. Aim: The authors examine the dropout behaviour of Hungarian medical students. Method: Analysis of the Higher Education Information System based on the database of those who started their medical studies in 2010 (n = 1046). Results: Early retardation of credit accumulation, the use of passive semesters are typical for dropouts. 83.6% of those who started their studies studied in state-funded education, with 9.4% dropouts among them, 50% among cost-reimbursement students. Multivariate analysis revealed the factors affecting dropout. Conclusion: The chances of dropping out are increased by the low credit number, the number of passive semesters, the cost-reimbursement financing form. A dormitory residence is safety net, the student can make social capital that can support the success of his studies. Orv Hetil. 2019; 160(21): 829–834.
Ha elvész a bizalom
When Trust Is Lost: Student Distrust and Academic Failure
. & Nagy B. (2018) Két tanév tantárgyainak vizsgálata sikertelen teljesítés szempontjából a DE Gazdaságtudományi Kar hallgatói körében. In: Pusztai G. & Szigeti F. (eds) Lemorzsolódás és perzisztencia a
A fizetett munkavállalás hatása a felsőoktatási hallgatók egyetemi pályafutására +
The Impact of Paid Work on University Careers among Higher Education Student
Pusztai G. & Szigeti F. (2018, eds) Lemorzsolódás és perzisztencia a felsőoktatásban . Debrecen, Debreceni Egyetemi Kiadó. 23
Tanulási utak a társadalmi háttér függvényében
Learning Paths Depend on Social Background
teljesítményét befolyásoló tényezők az Országos kompetenciamérés adatai alapján. Budapest, Oktatási Hivatal. 5 Fehérvári A. (2015) Lemorzsolódás és a korai iskolaelhagyás trendjei
