Dr. Fauszt Tibor, a Dunaújvárosi Egyetem főiskolai docense új tudományos publikációt jelentetett meg a témában.

A tanulmány a mesterséges intelligencia és a „gépi tanulás alapú” előrejelző modellek egyik fontos problémáját, az „adatszivárgást” vizsgálja. Ez a jelenség a túlzottan optimista teljesítménybecslések egyik fő forrása.

A kutatás keretében Dr. Fauszt Tibor kidolgozta a Time-Consistent Dropout Prediction (TCDP) elnevezésű módszertani keretrendszert, amely a hallgatói lemorzsolódás előrejelzésére szolgáló modellek időbeli következetességének vizsgálatát teszi lehetővé. A megközelítés négy kulcselemre épül: az előrejelzés időpontjának pontos meghatározására, a rendelkezésre álló információk egyértelmű rögzítésére, a vizsgált hallgatói kör pontos lehatárolására, valamint a megfelelő validációs eljárások alkalmazására.

 (Dr. Fauszt Tibor főiskolai docens. Fotó: DUE)

A tanulmány egy magyar felsőoktatási intézmény anonim hallgatói adatbázisán végzett elemzések segítségével mutatja be, hogy a nem megfelelő validációs módszerek jelentősen túlbecsülhetik az előrejelző modellek pontosságát. Az eredmények szerint a hallgatók adatainak időbeli és személyi elkülönítése reálisabb képet ad a modellek tényleges teljesítményéről.

A kutatás hozzájárul a felsőoktatási adatelemzés és a tanulási analitika módszertani fejlődéséhez, valamint segítheti olyan megbízhatóbb előrejelző rendszerek kialakítását, amelyek támogatják a lemorzsolódás megelőzését és a hallgatói sikeresség növelését.

A tanulmány az alábbi linken érhető el: https://www.mdpi.com/2078-2489/17/6/581