[ Prédiction de l’orientation des étudiants dans des filières d’études appropriées en utilisant les techniques de Data Mining ]
Volume 39, Issue 1, March 2023, Pages 193–208
KANDUKI KIVUYIRWA MYSTERE1, HERITIER NSENGE MPIA2, and MUTEGHEKI BARAKA VINGI3
1 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
2 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
3 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
Original language: French
Copyright © 2023 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Several data mining techniques are used to extract hidden knowledge in educational data to help students make a useful decision for their university orientation. Indeed, every year, students are enrolling in universities, the massive arrival of these candidates poses the thorny problem of orientation. The hidden problem behind this orientation is the lack of information concerning the possibilities of orientation; or the lack of support from the close entourage. Having developed the survey questionnaire, the authors collected 712 responses. After analyzing these data, they trained the models and measured their performance with four evaluation measures: accuracy, precision, recall and the F-score. The results of these models showed that the SVM algorithm gave 70% accuracy, the Naïve Bayes 65% Accuracy, the Neural Network 64% and the decision tree gave only 52%. This allowed SVM to be selected as the model that predicted better than the others. Finally, the authors deployed the validated model in web technology using Flask.
Author Keywords: Academic Guidance, field of study, Machine Learning, Data Mining, SVM, Naïve Bayes, Neural network, Decision tree.
Volume 39, Issue 1, March 2023, Pages 193–208
KANDUKI KIVUYIRWA MYSTERE1, HERITIER NSENGE MPIA2, and MUTEGHEKI BARAKA VINGI3
1 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
2 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
3 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
Original language: French
Copyright © 2023 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract
Several data mining techniques are used to extract hidden knowledge in educational data to help students make a useful decision for their university orientation. Indeed, every year, students are enrolling in universities, the massive arrival of these candidates poses the thorny problem of orientation. The hidden problem behind this orientation is the lack of information concerning the possibilities of orientation; or the lack of support from the close entourage. Having developed the survey questionnaire, the authors collected 712 responses. After analyzing these data, they trained the models and measured their performance with four evaluation measures: accuracy, precision, recall and the F-score. The results of these models showed that the SVM algorithm gave 70% accuracy, the Naïve Bayes 65% Accuracy, the Neural Network 64% and the decision tree gave only 52%. This allowed SVM to be selected as the model that predicted better than the others. Finally, the authors deployed the validated model in web technology using Flask.
Author Keywords: Academic Guidance, field of study, Machine Learning, Data Mining, SVM, Naïve Bayes, Neural network, Decision tree.
Abstract: (french)
De nombreuses techniques de Data Mining sont utilisées pour extraire les connaissances cachées dans des données éducatives en vue d’aider les étudiants à prendre une décision utile pour leur orientation à l’université. En effet, chaque année, les étudiants se présentent aux portes des universités, l’arrivée massive de ces candidats pose l’épineux problème de leur orientation adéquate dans des filières d’études. La problématique cachée derrière cette orientation est le manque d’information concernant les possibilités d’orientation; ou encore le manque de soutien de la part de l’entourage proche. Ayant mis au point le questionnaire d’enquête, les auteurs ont collecté 712 réponses auprès des répondants. Après analyse de ces données collectéés, les auteurs ont réalisé l’entrainement des modèles, après, les auteurs ont mesuré les performances de ces modèles avec quatre mesures d’évaluation qui sont accuracy, precision, recall et le F-score. Les résultats de ces modèles ont montré que l’algorithme SVM a donné 70 % d’accuracy, le Naïve Bayes 65% d’Accuracy, le Réseau de neurone 64% et l’arbre de décision n’a donné que 52%. Cela a permis de sélectionner SVM comme le modèle qui a prédit le mieux que les autres. Enfin, les auteurs ont implémenté le modèle validé dans la technologie web en utilisant Flask.
Author Keywords: Orientation scolaire, filière d’études, Apprentissage automatique, Exploration de données, SVM, Naïve Bayes, Réseau de neurones, Arbre de décision.
How to Cite this Article
KANDUKI KIVUYIRWA MYSTERE, HERITIER NSENGE MPIA, and MUTEGHEKI BARAKA VINGI, “Predicting students’ orientation in suitable fields of study using data mining techniques,” International Journal of Innovation and Applied Studies, vol. 39, no. 1, pp. 193–208, March 2023.
