Prédiction de profils étudiants sur une plateforme d'apprentissage en ligne
Résumé
For the past twenty years, universities have been using digital tools that generate digital traces to improve the accessibility of their courses. The study presented in this article aims to characterize learner profiles automatically from this data. However, in general, studies in this context are confronted with unbalanced classes. We propose to analyze the influence of oversampling on a database from an e-learning platform at Poitiers University. Our results show that oversampling improves the precision and recall of prediction models, and consequently enables better detection of dropout situations in particular.
Depuis une vingtaine d’années, les universités utilisent des outils numériques qui génèrent des traces numériques pour améliorer l’accessibilité de leurs cours. L’étude présentée dans cet article a pour objectif de caractériser des profils étudiants de manière automatique à partir de ces données. Cependant, en général, les études dans ce cadre sont confrontées à des classes déséquilibrées. Nous proposons d’analyser l’influence du sur-échantillonnage d’une base de données issue d’une plateforme d’apprentissage en ligne du supérieur de Poitiers. Nos résultats montrent que le sur-échantillonnage permet d’améliorer la précision et le rappel des modèles de prédiction et, par conséquent, de mieux détecter notamment les situations d’abandon.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|