Online learning and dropout

Abstract

E-learning education is often more challenging than the traditional education method. In e-learning teaching, there is no face-to-face teaching, nor does it require instant feedback, the latter is provided during the learning process, making interactions more complex. E-learning education is usually more challenging than traditional education because no presence or instant feedback is delivered during the learning process, making interactions more complex. This dissertation aims to help identify students that can potentially be at risk of dropping or failing the e-learning course. To achieve that, we used Machine Learning (ML) classifiers, like Decision Tree (DT),Random Forest Classifier (RFC),Support Vector Classifier (SVC) and the AdaBoost Classifier (AC) to analyse the Open University Learning Analytics Dataset (OULAD). The duration of the courses was analysed in different fragments, so we could conclude if it would be possible to prevent a potential dropout beforehand. We gathered that the best classifier in this study was AC, when analysing the 2/16 duration of the course with an accuracy of 64.6%. The results also show that the SVC gives a very similar percentage for the accuracy when analysing the same period, 64.1%. As a result of this study, we understand that it is preferable to analyse the data in the early stages of the course; RESUMO: Ensino à distância e o seu abandono - A educação em e-learning geralmente é mais desafiadora do que o método de educação tradicional. No ensino de e-learning, o ensino presencial não, nem requer feedback instantâneo, este último é fornecido durante o processo de aprendizagem, tornando as interações mais complexas. A educação em e-learning geralmente é mais desafiadora do que a educação tradicional porque nenhuma presença ou feedback instantâneo é fornecido durante o processo de aprendizagem, tornando as interações mais complexas. Esta dissertação tem como objetivo auxiliar na identificação de alunos que podem estar em risco de abandono ou reprovar no curso de e-learning. Para isso, utilizamos classificadores Machine Learning (ML), como Decision Tree (DT), Random Forest Classifier (RFC), Support Vector Classifier (SVC) e AdaBoost Classifier (AC) para analisar o Open University Learning Analytics Dataset (OULAD). A duração dos cursos foi analisada em diferentes fragmentos, para que pudéssemos concluir se seria possível prevenir uma potencial evasão com antecedência. Concluímos que o melhor classificador neste estudo foi o AC, ao analisar a duração 2/16 do curso com uma precisão de 64.6%. Os resultados também mostram que o SVC fornece uma precisão muito semelhante ao analisar o mesmo período, 64.1%. Como resultado deste estudo, entendemos que é preferível analisar os dados nas fases iniciais do curso.