コア科目出席データを用いた1年次春学期GPA予測モデルの構築と評価

カテゴリ: 研究会(論文単位)

論文No: IS25032

グループ名: 【C】電子・情報・システム部門 情報システム研究会

発行日: 2025/05/12

タイトル(英語): Development and Evaluation of First Year Spring Semester GPA Prediction Models Using Core Course Attendance Data

著者名: 白鳥 成彦(東京都市大学)

著者名(英語): Naruhiko Shiratori(Tokyo City University)

キーワード: ＧＰＡ予測|早期介入|出欠席データ|ランダムフォレスト|勾配ブースティング|GPA Prediction|Early Intervention|Attendance Data|Random Forest|Gradient Boosting

要約(日本語): 本研究では、1年次春学期のGPAを目的変数とし、コア科目である基礎ゼミナールの出欠データおよび他科目の週別出欠データを説明変数とした予測モデルを構築・評価を行った。対象は2018年度入学の181名で、特徴量のパターンとして1．入学前情報のみ、2．コア科目（基礎ゼミナール）出席込み、3．全科目出席込みの3種類を比較した。コア科目のみならず全科目の出欠情報を統合することで、GPA予測の誤差を削減し、教育現場での早期介入を支援する手法であることを示した。

要約(英語): Using admission data and weekly attendance records, we built Random Forest and Gradient Boosting models to predict first?year spring GPA. We compared three feature sets: pre?admission variables only; plus core seminar attendance; and plus all?course attendance. Models were trained on 70% of 181 students and tested on 30%. Weekly cumulative attendance improved prediction error (RMSE) from 1.15 (admission only) to 0.82 (week 5) and 0.27 (week 15). Gradient Boosting outperformed Random Forest in later weeks. Results demonstrate that integrating attendance data enables accurate, early GPA forecasts, facilitating timely academic interventions. This approach highlights the value of attendance monitoring for proactive educational support.

本誌: 2025年5月15日-2025年5月16日情報システム研究会

本誌掲載ページ: 35-38 p

原稿種別: 日本語

PDFファイルサイズ: 1,209 Kバイト