Anwendung der Regressions-SVM zur Vorhersage studentischer Leistungen

Um als Bildungsanbieter bei gefährdeten Studenten rechtszeitig intervenierend eingreifen zu können, sind Verfahren zur Vorhersage studentischer Leistungen notwendig. Viele Arbeiten haben den Einsatz des SVM-Klassifikators vorgeschlagen. Allerdings wurden unzureichende Angaben zur Wahl eines geeigneten Kernel gegeben. Außerdem kann der SVM-Klassifikator bei fehlenden Trainingsdaten zu allen möglichen Noten nicht erfolgreich trainiert werden. Zur Lösung dieser Probleme untersuchen wir die Regressions-SVM mit verschiedenen geeigneten Kernel. Dabei erreichen wir mit dem RBF-Kernel und einer σ-Parameter Heuristik auf einem öffentlichen Datensatz eines Mathematikkurses bessere Ergebnisse als in [3] mit einer SVM erreicht wurden. Für den Fall, dass zusätzlich zu den privaten Daten der Studenten auch vorherige Noten bekannt waren, konnte die Vorhersage von ” bestanden oder nicht bestanden” mit einer Genauigkeit von 90.57% erreicht werden. Das ermöglicht eine praktische Anwendbarkeit der Regressions-SVM zur Erkennung gefährdeter Studenten.