Predikce výkonů studentů

Abstract

Dlouhodobým jevem českých vysokých technických škol je nízká úspěšnost studentů v dokončení studia. Školy se proto snaží poskytnout včasnou pomoc studentům, kteří mají problémy se studiem. K rozpoznání takových studentů může posloužit datová analýza a vytěžování znalostí ve vzdělávání. Tato práce se zabývá komplexní analýzou dat týkajících se studentů Fakulty informačních technologií Českého vysokého učení v Praze a záznamů jejich studijních výsledků. Použitá data z let 2009 až 2021 jsou získána z datového skladu ČVUT. Na předzpracovaných datech jsou vytvořeny prediktivní modely za pomocí metod strojového učení. Úkolem vytvořených modelů je získání předpovědi úspěšného dokončení studia na fakultě, rovněž předpověď průchodnosti studentů mezi jednotlivými semestry a také predikce výsledných známek studentů z vybraných fakultních předmětů. Současně je výstupem práce automatizace procesu predikování a diskuse použitelnosti výsledků v budoucích letech.

The low study programme completion rate remains a long-term phenomenon among Czech technical universities. Schools therefore seek to provide timely assistance to students who may have difficulties studying. Data analysis and educational data mining may present a way to identify such students. This thesis presents a comprehensive analysis of study records and other associated data of the students of the Faculty of Information Technology, Czech Technical University in Prague. The data warehouse of CTU was used to obtain the data, with the records ranging from the years 2009 to 2021. Machine learning methods were utilised to create the predictive models from the pre-processed data. The created models are tasked with predicting the successful completion of the study programme by individual students and the overall ratio of students successfully completing the current semester. For chosen faculty courses, the students' final grades are also predicted. On top of that, the discussion of the results' applicability in the future and the automation of the prediction process are among the outputs of this thesis.