Predicting and Analyzing Student Absenteeism Using Machine Learning Algorithm

Cover Page


Cite item

Full Text

Abstract

Introduction. In a developed society, the state should invest in the education of the younger generation. In less developed countries, Albania included, there are no nation-wide studies to show the factors that affect the lack of students in classrooms. The purpose of this study is to predict, analyze, and evaluate the possible causes of student absenteeism using machine learning algorithms. The attributes taken into account in this study are related to the family, demographic, social, university, and personal aspects according to academic criteria.

Materials and Methods. Student absenteeism covers any student that has not attended class, irrespective of the reason. The data set consists of 26 attributes and 210,000 records corresponding to the teaching hours of 500 students during an academic year at Faculty of Information Technology. The students participating in the survey range from 18 to 25 years of age of both genders. The compilation of the student questionnaire was based on reviewing the literature and analyzing 26 attributes that we categorized into 5 groups included in the questionnaire.

Results. This paper provides knowledge in the analysis and evaluation of factors that lead students to miss lectures using machine learning. It is important to note that this study was conducted on students of this faculty, and as such, the results may not be generalized to all universities. That’s why, researchers are encouraged to test the results achieved in this paper on other clusters.

Discussion and Conclusion. The paper provides recommendations based on the findings by offering different problem-solving strategies. The questionnaire used only for 500 Faculty of Information Technology students can be widely applied in any educational institution in the region. However, the results of this study cannot be generalized for the student and youth population of other regions or other countries. This paper provides an original and easily usable questionnaire suitable to various study programs and universities.

About the authors

Lindita Mukli

University Aleksandër Moisiu Durres

Author for correspondence.
Email: linditamukli@uamd.edu.al
ORCID iD: 0000-0003-4472-0053

Dean of Faculty of Information Technology, Lecturer at Mathematics Department, Ph.D., Associated Professor

Albania, Durres

Amarildo Rista

University Aleksandër Moisiu Durres

Email: amrildorista@gmail.com
ORCID iD: 0000-0001-9471-4749

Lecturer at Information Technology Department

Russian Federation, Durres

References

  1. Larabi-Marie-Sainte S., Jan R., Al-Matouq A., Alabduhadi S. The Impact of Timetable on Student’s Absences and Performance. Plos one. 2021;16(6):e0253256. doi: https://doi.org/10.1371/journal.pone.0253256
  2. Marsh H.W. Students’ Evaluations of University Teaching: Research Findings, Methodological Issues, and Directions for Future Research. International Journal of Educational Research. 1987;11(3):253–388. doi: https://doi.org/10.1016/0883-0355(87)90001-2
  3. Paulsen M.B. Evaluating Teaching Performance. New Directions for Institutional Research. Special Issue: Evaluating Faculty Performance. 2002;(114):5–18. doi: https://doi.org/10.1002/ir.42
  4. Richardson J.T. Instruments for Obtaining Student Feedback: A Review of the Literature. Assessment & Evaluation in Higher Education. 2005;30(4):387–415. doi: https://doi.org/10.1080/02602930500099193
  5. Childs J., Lofton R. Masking Attendance: How Education Policy Distracts from the Wicked Problem (s) of Chronic Absenteeism. Educational Policy. 2021;35(2):213–234. doi: https://doi.org/10.1177/0895904820986771
  6. Bahadori M.H., Salari A., Alizadeh I., Moaddab F., Rouhi Balasi L., et al. The Root Causes of Absenteeism in Medical Students: Challenges and Strategies Ahead. Educational Research in Medical Sciences. 2020;9(2):e107120. doi: http://dx.doi.org/10.5812/erms.107120
  7. Özcan M. Student Absenteeism in High Schools: Factors to Consider. Journal of Psychologists and Counsellors in Schools. 2020. p. 1–17. doi: https://doi.org/10.1017/jgc.2020.22
  8. Balkis M., Arslan G., Duru E. The School Absenteeism among High School Students: Contributing Factors. Educational Sciences: Theory and Practice. 2016;16(6):1819–1831. doi: https://doi.org/10.12738/estp.2016.6.0125
  9. Dey I. Class Attendance and Academic Performance: A Subgroup Analysis. International Review of Economics Education. 2018;28:29–40. doi: https://doi.org/10.1016/j.iree.2018.03.003
  10. Kassarnig V., Bjerre-Nielsen A., Mones E., Lehmann S., Lassen D.D. Class Attendance, Peer Similarity, and Academic Performance in a Large Field Study. PloS ONE. 2017;12(11):0187078. doi: https://doi.org/10.1371/journal.pone.0187078
  11. Wadesango N., Machingambi S. Causes and Structural Effects of Student Absenteeism: A Case Study of Three South African Universities. Journal of Social Sciences. 2011;26(2):89–97. doi: https://doi.org/10.1080/09718923.2011.11892885
  12. Young B.N., Benka-Coker W.O., Weller Z.D., Oliver S., Schaeffer J.W., Magzamen S. How Does Absenteeism Impact the Link between School’s Indoor Environmental Quality and Student Performance? Building and Environment. 2021;203:108053. doi: https://doi.org/10.1016/j.buildenv.2021.108053
  13. Helm J.M., Swiergosz A.M., Haeberle H.S., Karnuta J.M., Schaffer J.L., Krebs V.E., Ramkumar P.N. Machine Learning and Artificial Intelligence: Definitions, Applications, and Future Directions. Current Reviews in Musculoskeletal Medicine. 2020;13(1):69–76. doi: https://doi.org/10.1007/s12178-020-09600-8
  14. Schuh G., Reinhart G., Prote J.P., Sauermann F., Horsthofer J., Oppolzer F., Knoll D. Data Mining Definitions and Applications for the Management of Production Complexity. Procedia CIRP. 2019;81:874–879. doi: https://doi.org/10.1016/j.procir.2019.03.217
  15. Kantardzic M. Data Mining: Concepts, Models, Methods, and Algorithms. 3rd ed. John Wiley & Sons; 2019. doi: https://doi.org/10.1002/9781119516057
  16. Niedermayer D. An Introduction to Bayesian Networks and Their Contemporary Applications. In: Holmes D.E., Jain L.C. (eds.) Innovations in Bayesian Networks. Studies in Computational Intelligence. Springer, Berlin, Heidelberg; 2008. Vol. 156. p. 117–130. doi: https://doi.org/10.1007/978-3-540-85066-3_5
  17. Bramer M. Principles of Data Mining. 3rd ed. London; 2016. doi: https://doi.org/10.1007/978-1-4471-7307-6
  18. Maalouf M. Logistic Regression in Data Analysis: An Overview. International Journal of Data Analysis Techniques and Strategies. 2011;3(3):281–299. doi: https://doi.org/10.1504/IJDATS.2011.041335
  19. Biau G., Scornet E. Rejoinder on: A Random Forest Guided Tour. TEST. 2016;25(2):264–268. doi: https://doi.org/10.1007/s11749-016-0488-0
  20. Pfahringer B., Holmes G., Kirkby R. New Options for Hoeffding Trees. In: Orgun M.A., Thornton J. (eds.) AI 2007: Advances in Artificial Intelligence. AI 2007. Lecture Notes in Computer Science. Vol. 4830. Berlin, Heidelberg: Springer; 2007. doi: https://doi.org/10.1007/978-3-540-76928-6_11
  21. Kalmegh S. Analysis of Weka Data Mining Algorithm Reptree, Simple Cart and Randomtree for Classification of Indian News. International Journal of Innovative Science, Engineering & Technology. 2015;2(2):438–446. Available at: http://ijiset.com/vol2/v2s2/IJISET_V2_I2_63.pdf (accessed 21.12.2021).
  22. Mathuria M. Decision Tree Analysis on J48 Algorithm for Data Mining. International Journal of Advanced Research in Computer Science and Software Engineering. 2013;3(6). Available at: https://www.academia.edu/4375403/Decision_Tree_Analysis_on_J48_Algorithm_for_Data_Mining (accessed 21.12.2021).
  23. Mohamed W.N.H.W., Salleh M.N.M., Omar A.H. A Comparative Study of Reduced Error Pruning Method in Decision Tree Algorithms. In: 2012 IEEE International Conference on Control System, Computing and Engineering. 2012. p. 392–397. doi: https://doi.org/10.1109/ICCSCE.2012.6487177
  24. Srivastava S. Weka: A Tool for Data Preprocessing, Classification, Ensemble, Clustering and Association Rule Mining. International Journal of Computer Applications. 2014;88(10):26‒29. Available at: https://research.ijcaonline.org/volume88/number10/pxc3893809.pdf (accessed 21.12.2021).
  25. Powers D.M. Evaluation: From Precision, Recall and F-measure to ROC, Informedness, Markedness and Correlation. arXiv preprint arXiv. 2020;2010:16061. doi: https://doi.org/10.48550/arXiv.2010.16061
  26. Arlot S., Celisse A. A Survey of Cross-Validation Procedures for Model Selection. Statistics Surveys. 2010;4:40–79. doi: https://doi.org/10.1214/09-SS054

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2022 Mukli L., Rista A.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Founded in 1996
Registry Entry: PI № FS 77-70142 of June 16, 2017

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».