Using machine learning to predict low academic performance at a Nigerian university

Abstract

This study evaluates the ability of various machine-learning techniques to predict low academic performance among Nigerian tertiary students. Using data collected from undergraduate student records at Niger Delta University in Bayelsa State, the research applies the cross-industry standard process for data mining (CRISP-DM) research methodology for data mining and the Waikato Environment for Knowledge Analysis (WEKA) tool for modelling. Five machine-learning classifier algorithms are tested—J48 decision tree, logistic regression (LR), multilayer perceptron (MLP), naïve Bayes (NB), and sequential minimal optimisation (SMO)—and it is found that MLP is the best classifier for the dataset. The study then develops a predictive software application, using PHP and Python, for implementation of the MLP model, and the software achieves 98% accuracy.Cette étude évalue la capacité de diverses techniques d'apprentissage automatique à prédire les faibles résultats obtenus par les étudiants nigérians de l'enseignement supérieur. À partir de données provenant des dossiers des étudiants de premier cycle de l'université Niger Delta dans l'État de Bayelsa, la recherche applique la méthodologie CRISP-DM (Cross-Industry Standard Process for Data Mining) pour l'exploration de données et utilise l'outil WEKA (Waikato Environment for Knowledge Analysis) pour la modélisation. Cinq algorithmes de classification d’apprentissage automatique sont testés : l'arbre de décision J48, la régression logistique (LR), le perceptron multicouche (MLP), le classificateur Bayes naïf (NB) et l'optimisation minimale séquentielle (SMO). Il en ressort que le MLP est le meilleur classificateur pour l'ensemble de données en question. L'étude développe ensuite une application logicielle prédictive, à l’aide de PHP et Python, pour la mise en œuvre du modèle MLP, et le logiciel atteint une précision de 98 %.