KHUNG DỰ ĐOÁN HIỆU QUẢ CHO DỮ LIỆU GIÁO DỤC MẤT CÂN BẰNG SỬ DỤNG HỌC SÂU VÀ KỸ THUẬT SMOTEWB

Tóm tắt

Trong bối cảnh dữ liệu giáo dục thường mất cân bằng, nghiên cứu này đề xuất một khung dự
đoán kết hợp giữa mạng nơ-ron sâu (DNN) và kỹ thuật SMOTEWB nhằm nâng cao hiệu quả phân loại
sinh viên (SV) có nguy cơ bỏ học và SV xuất sắc. SMOTEWB tạo mẫu tổng hợp từ lớp thiểu số bằng cách
phát hiện nhiễu và tích hợp boosting, giúp cải thiện chất lượng dữ liệu huấn luyện. Mô hình được thử
nghiệm trên tập dữ liệu thực tế từ UCI với ba nhóm phân loại: bỏ học, đang học và tốt nghiệp. Kết quả
cho thấy DNN + SMOTEWB đạt độ chính xác 90,32% và F1-score 90,18%, vượt trội so với các mô hình
truyền thống như RF, LR, SVM, LightGBM và XGBoost. Kết quả này khẳng định hiệu quả của mô hình
trong hỗ trợ các chiến lược can thiệp sớm và nâng cao chất lượng giáo dục.