PREDICTING STUDENTS' PERFORMANCE USING CLASSIFICATION ALGORITHMS AND GENERATIVE ADVERSARIAL NETWORK

Abstract

ABSTRACT

Predicting students' academic performance has played a vital role in measuring educational success. Academic performance prediction is useful for mitigating academic challenges like delayed graduation, dropping out of university, etc. Other than predicting students' performance helps in examining student learning behavior, improving the learning environment, addressing student problems, and enabling data-driven decision-making. To identify the strengths and limitations of current performance prediction techniques, this research critically analyzed the latest student performance prediction models. Predicting student performance is an important area of education research. Machine learning (ML) techniques are often used to improve the accuracy and reliability of predicting student performance. In this study, we propose a new approach to predict student performance using five machine learning techniques, including data analysis, preprocessing techniques, and data augmentation using GANs. We realistically evaluate the proposed method. A dataset of students' academic performance and compare the results with those obtained without data enrichment. Our results show that data augmentation significantly improves the accuracy and reliability of predicting student performance. Algorithm results (RF 99.63%, DT 99.63%, ANN 99.52%, Liner SVM 99.65%, RBF SVM 99.68%). This research contributes to the field of education by providing more comprehensive and accurate predictive models of student performance that can support informed decision-making and improve educational outcomes.

ÖZET

Öğrencilerin akademik performansını tahmin etmek, eğitim başarısını ölçmede hayati bir rol oynamıştır. Eğitilmiş performans tahmini, mezuniyetin gecikmesi, üniversiteden ayrılma gibi akademik zorlukların hafifletilmesine yardımcı olur. Öğrencilerin performansını tahmin etmenin dışında, öğrencinin öğrenme davranışını incelemeye, öğrenme ortamını iyileştirmeye, öğrenci sorunlarını ele almaya ve veriye dayalı karar vermeyi etkinleştirmeye yardımcı olur. Mevcut performans tahmin tekniklerinin güçlü yanlarını ve sınırlamalarını belirlemek için bu araştırma, en son öğrenci performans tahmin modellerini eleştirel bir şekilde analiz etti. Öğrenci performansını tahmin etmek, eğitim araştırmasının önemli bir alanıdır. Öğrenci performansı tahmininin doğruluğunu ve güvenilirliğini artırmak için makine öğrenimi (ML) teknikleri yaygın olarak kullanılmaktadır. Bu çalışma, veri analizi, ön işleme teknikleri ve GAN veri artırma dahil olmak üzere beş makine öğrenimi tekniği kullanarak öğrenci performansı tahminine yönelik yeni bir yaklaşım önermektedir. Önerilen yaklaşımı, öğrencilerin akademik kayıtlarından oluşan gerçekçi bir veri seti kullanarak değerlendirdik ve sonuçları veri artırmadan elde edilen sonuçlarla karşılaştırdık. Bulgularımız, veri artırmanın öğrenci performansı tahmininin doğruluğunu ve güvenilirliğini önemli ölçüde geliştirdiğini göstermektedir. Algoritmaların sonuçlarıydı (RF %99,63, DT %99,63, KNN %99,52, Liner SVM %99,65, RBF SVM %99,68). Bu araştırma, bilinçli karar vermeyi destekleyebilen ve eğitim sonuçlarını iyileştirebilen, öğrenci performansını tahmin etmek için daha kapsamlı ve doğru bir model sağlayarak eğitim alanına katkıda bulunur.