摘要
本研究以决策树分析台湾五年制专科大学的招生情况,探讨学生在免试录取过程中可能失败的原因,并提出改善方法,并展望多元智能教学理论的实施。台湾的大学招生制度可能会造成混乱。大都市地区的学校在甄别多种能力的人才方面仍有优势,而农业县的大学可能会在无意中将人才边缘化,导致招生不足或人才逆向选择。有人建议,在大都市地区增加学校数量将降低升学率,并改善许多人被迫接受的义务教育环境。
简介
为减轻升学压力,促进学生适应发展,平衡城乡教育,提高国民素质,台湾开始实施12年基础教育。该教育计划基于多元智能理论,为招生系统提供了一种适应性的方法,肯定了学习者的受教育权和平等的录取机会(教育部,2009).在5年制专科课程中,学校通过多种招生制度,推动以学生学习能力考核为考核依据,在关注学生潜在多元发展的同时,创建公平合理的招生制度,从2011年开始扩大免费招生的流程。
免试招生制度考虑的是台湾5年制专科大学的考生选择。如果招生人数超过招生名额,招生制度就会根据“综合学习成绩”、“技术艺术天赋”、“弱势地位”、“均衡学习成绩”、“咨询能力”等标准,推荐超过配额的学生。中学期间的多项学习表现,以及“综合评估计划”的结果等结果,根据各个学校设定的标准进行了列出和排序。在这种招生制度下,申请者可以根据自己的条件和兴趣选择自己的学院和院系,而大学则可以根据自己的标准招收合适的人才。在注册过程中,申请人也可以选择放弃注册的机会。这一体系所基于的教育信念是公平的,是可以检验的。
然而,当入学人数远远超过学校的招生名额时,大多数学生都没有通过入学要求。此外,如果注册学生对特定的学院和院系有偏好,其他学校的注册人数可能会不足。当这些现象出现时,有必要探讨这种免试招生登记制度是否能维持预期的教育目标,还是会使热门院校保留公然筛选优秀学生的优势。边缘化的城乡高校产生了招生不足或竞争乏力的趋势,在高校招生现象内部呈现出两个极端。
决策树分析是一种常用的数据挖掘方法,可以用作有监督的特征提取和描述的工具(Berry和Linoff,1997).高维数据可以快速学习,可以建立层次树结构,得到的结果可以转化为易于理解的规则,一般用于探索和预测。同时,决策树具有减少不必要变量和对自变量重要性排序的优点。在本研究中,通过决策树方法,在分类过程中容易获得招生失败/成功的分类规则(因素),使这些规则对申请人(学生)、招生院校和教育专家来说,都是清晰、易懂和易于探索的。本研究使用统计测试和决策树分析来评估招生失败和成功的可能因素,审查招生系统与既定教育理念和目标的一致性,并提出具体建议。
本研究文章的内容如下:“文献综述”一节讨论文献综述,“数据与研究方法”一节介绍数据与研究方法,“实证结果与讨论”一节介绍实证结果与讨论,“结论”一节介绍结论。
文献综述
数据挖掘是数据库知识发现(KDD)过程中的分析步骤(Fayyad et al.,1996).这是一种结合统计学、算法、人工智能和机器学习的技术,并使用数据库进行计算和分析,从大量杂乱的数据中探索特定的规则或模型。KDD对于寻找解决问题的潜在有价值的信息非常有用。这种快速发展的新方法和技术正在广泛应用于广泛的应用领域(Aulck等人,2019;汉,2022;亲吻等人,2019;Nagy和Molontay,2018;PhridviRaj和GuruRao,2014;Rastrollo-Guerrero等人,2020).决策树是数据挖掘技术中最常用的方法之一,本质上是一个简单的分类器(Kingsford and Salzberg,2008),这就产生了一种监督学习,可以用作分析数据和预测工具。与评估数据参数的统计方法相比,决策树分析是一种更加可靠和直观的方法(Park and Dooris,2020),已被广泛用于解决教育领域的问题(Delibasic et al.,2013;李和刘,2021;Yao等人,2022).
Kirby和Dempster (2014)使用决策树分析来确定最能描述学生成绩的变量,使用大学生成绩来确定选课过程和课程本身的挑战和补救机会。Park及Dooris (2020)探讨了高等教育中的评估和评价,使用决策树分析来预测学生对教学的评价。Križanić(2020)将数据挖掘技术应用于高等教育机构的教育数据,通过决策树探索学生与课程材料的交互行为,以更好地分析学生的学习方式。Asif等人(2017)认为,数据挖掘的结果可以为成绩欠佳的学生提供及时的警告和支持,同时为成绩优异的学生提供建议和机会。辛格等人(2020)使用决策树来预测有和没有调节因素的学习障碍学生的学习行为的稳定性,并发现所渲染的模型在预测表现方面表现出色。
安伯杰及易(2011)利用商业智能的原理,利用决策树分析、神经网络分析和多元回归分析,探索私立大学硕士学生的一年级数据,开发模型来预测每个学生的平均成绩(GPA)。林等人(2013)使用决策树构建个性化创造性学习系统(PCLS),作为大学专业和学习路径的重要预测指标。霍华德等人。2018)使用8个预测模型作为早期预警系统来评估学生在课程中的潜在学习和不良学习,结果表明贝叶斯可加性回归树(BART)是最佳预测模型。林奇(2017)提供了将大数据分析应用于教育时可能加剧的问题,并认为虽然大数据可以导致个性化学习、深度学生建模和真正的垂直学习,但其应用需要对学生、班级和教师进行深入和持续的监控,以及侵犯隐私、对教育有效性的潜在干扰和其他伦理问题。
Oranye (2016)关注大学入学的重要性。在过去的研究中,数据挖掘被应用于预测学校招生,为有效提高和实现招生目标提供有用的信息。例如,Tanna (2012)开发了一个决策支持系统,使学生能够根据他们的入学考试成绩选择正确的大学。曾等人(2014)利用决策树构建模型对中国各地区高校的知名度进行了预测,结果表明了决策树建模的实际可行性。Ragab等人(2012)提出了基于数据挖掘技术和知识发现规则的大学录取系统的混合推荐,以解决大学招生预测问题,并为学生成功入学推荐适当的跟踪渠道。Maltz等人(2007)利用计算机开发了一个决策支持系统,以提高大学录取过程的响应能力和实时管理能力,大大提高了录取过程的效率,实现了招生业务目标。
最后,多元智能理论认为,学习者应该在他们的学习方式上获得授权,而不是受到限制(加德纳,2011).特别是,智力的表现因人而异,所以每个学习者应该有不同的学习过程,建议不应该用相同的学习效率标准来衡量所有学习者。沃特豪斯(2006)对多元智能理论提出了质疑,认为缺乏足够的经验支持意味着它不应该成为教育实践的基础。周(2009)质疑台湾教育资源分配的公平性,以及所有公民受教育的权利。免试招生登记制度的存在并没有减轻考生的长期压力,也没有减缓考试领导的教学。
数据和研究方法
本研究以2011年新教改体制实施5年后的2016年台湾五年制大专招生为研究对象,了解新教改体制在实践中的部署情况。收集的信息来自联合招生委员会。这些资料由参加报名的申请人(学生)填写,提交必要的个人成绩,并由审核人员对个人信息和数据进行核查,然后在联合招生报名委员会的计算机数据库中提交正式报名。在这5年制专科学校中,有6013人采用免试录取制度;只有2294人成功入学,其余3719人落选,占总报考人数的61.85%。请参阅表格1四所招生院校在地理位置、招生规模、招生部门等方面的差异和特点。本研究对注册时的数据进行分析,并基于Table以变量的形式进行组织2,其中包含研究变量的定义和描述,表明21个基于候选人的自变量和1个入学结果的因变量(Y1)的数据模式和定义。
数据挖掘是基于统计分析的组合算法,利用快速计算能力分析大数据,并找到有用的知识作为决策分析工具或预测技术(PhridviRaj和GuruRao,2014).Vialardi等人(2011)描述了数据挖掘分析过程,该过程包括六个步骤:业务理解、数据理解、数据定年、建模、评估和部署。一些数据挖掘的方法(例如,传统的人工神经网络模型)应该谨慎应用,因为这些方法可能不具备自动过滤变量的能力。当许多候选自变量不能证明对因变量有显著影响时,可以先用决策树分析、统计检验或其他降维方法筛选变量。在此情况下,本研究通过决策树分类方法收集数据,建立评估模型;然后,该模型可以用于录取成功和失败的因素(规则)探索,并作为招生评估或预测分析的未来应用。
将申请者分为“招生失败”和“招生成功”两类,通过决策树分类方法建立评估模型,找出导致招生失败的问题。决策树是一种建立树形结构的数据分类方法,通常根据自变量或因变量的预测值对案例进行分组。所建立的树结构为解释和确认分类分析提供了验证工具。常用算法有CART(分类与回归树)、CHAID(卡方自动交互检测器)、C5.0 (Combination 5.0)等。
该决策树采用了CHAID生长法;它是基于卡方分布的。评估的变量必须是分类的,如果存在连续变量,则需要将数据转换为分类变量。通过卡方的自动相互作用检测,选择与因变量相互作用最强的自变量。当类别与相关因变量之间没有显著差异时,自变量的类别可以自动归并。CHAID算法基于卡方检验来确定最佳的分支属性,可以划分为多个分支。CHAID还具有计算速度快、不考虑后剪枝的优点。此外,CHAID直接加入了在建立决策树期间停止决策树增长的机制。
实证结果与讨论
描述性统计和检验
表格3.显示频率分布表的结果和类别变量的独立卡方检验。在表3.,在招生院校(X1)中,A学校的报考人数最多,2810人,占总样本量的46.7%。申请人数与入学人数之比为4.01。D学校共有2382人申请,占总样本量的39.6%,申请人数与招生名额之比为1.8。B学校申请人数为544人,占总样本量的9.0%,申请人数与招生名额之比为10.88。最后,C学校277人,占总样本量的4.6%,申请人数与招生人数之比为1.01。选择首都圈大学的人数为3354人,占总样本量的55.8%。
数字1这是大城市和农业县免试学校的招生名额和实际招生人数的柱状图。据调查,首都地区的学校已经达到了满额招生(最后一名被录取的学生条件相同时,可以增加录取人数,使实际招生人数大于招生人数),但农业郡的学校招生不足(可能招生人数1544人,实际招生人数1286人)。
申请人与注册院校之间的距离分布在县市各地,但以本地申请人数最多(X4 = 0), 2140人占样本量的35.6%。其中跨县市1799人(X4 = 1),占29.9%,跨2个县市1202人(X4 = 2),占20.0%,其余872人至少来自3个县市(X4)≧3),占总样本量的14.5%。这些结果与强调就近入学的教育理念是一致的。
在未达到注册院校入学门槛的招生院校设置的注册门槛占总样本量的19.7%,为1182人。来自非核心城区的申请人有4819人,占样本量的80.1%,而来自偏远或边远地区的申请人只有122人(2.0%)。
T市(首都圈)报考人数为2592人(占落选总人数的65.4%,占总报考人数的77.28%),说明在首都圈注册的大学更受欢迎。当考生与目标院校之间的距离至少跨越3个县(市)时(X4≧3),招生不良率高达80%,高于就近的县市招生(约61 ~ 67%)。共有2783人(70.2%)达到入学门槛,但未能入学。90.16%的申请人来自偏远或边远地区;110人落选,说明来自偏远地区的申请者存在竞争的危险。
表格3.还显示了自变量独立性结果的卡方检验和录取分布结果(Y1)。在5%的显著性水平下,发现招生院校(X1)、招生院校所在县市(X2)、都市区注册学校(X3)、招生人员与目标院校距离(X4)、录取门槛(X5)、初中毕业生类型(U1)、边远地区出身(U3)等变量均具有统计学意义。表明七个变量与入学分布结果之间存在依赖关系(Y1)。
表格4显示描述性统计变量,在平均值的差异t-测试(失败-成功),曼-惠特尼U-tests和Kolmogorov-SmirnovZ测试。在表4,根据录取分布(Y1)的结果,录取失败与录取成功之间的分类差异如下:初中毕业(U4)(483.820比467.177)、竞争(U5)(0.501比0.424)、服务学习效果(U6)(6.462比6.325)、日常生活表现(U7)(3.894比3.795)、多项学习表现(U9)(23.040比22.785)、综合考核项目(U14)(12.850比12.104)、笔试(U15)(4.082比3.956)。招生失败的学生的平均成绩要高于招生成功的学生,招生失败的学生分数更高,而招生成功的学生分数更低,这是人才逆向选择的现象。然而,在技术艺术天赋(U10) (0.446 vs. 0.713)、弱势地位(U11) (0.142 vs. 0.164)、平衡学习表现(U12) (7.022 vs. 7.866)和其他因素(U16) (0.220 vs. 0.710)这四项表现中,入学失败的平均表现低于入学成功的平均表现。
表格4还显示了两个样本的结果t-test for difference in means(失败-成功),Mann-WhitneyU-tests和Kolmogorov-SmirnovZ测试。在5%的显著性水平下,在初中毕业(U4)规模(16.643;p-value = 0.009), competition (U5) (0.077;p-value = 0.028),服务学习效能(U6) (0.137;p-value = 0.000),日常生活性能(U7) (0.098;p-value = 0.000),多重学习性能(U9) (0.254;p-value= 0.001),综合评价方案(U14) (0.746;p-value = 0.000),书写测试(U15) (0.126;p-value = 0.000),表示注册失败的平均性能显著高于注册成功的平均性能。此外,技术和艺术天赋(U10) (- 0.267;p-value = 0.000),均衡学习性能(U12)(−0.844;p-value = 0.000),其他因子(U16)(−0.490;p-value = 0.000)为显著负,说明注册失败的平均性能显著低于注册成功的平均性能。最后是曼-惠特尼实验的结果U-tests和Kolmogorov-SmirnovZ-测试与两个样本的测试大致相似t-测试平均值的差异。
表格4结果表明,竞争(U5)、服务学习效果(U6)、日常生活表现(U7)、多重学习表现(U9)、综合评估项目(U14)和写作测试(U15)这5个变量是录取失败者比录取成功者表现显著的情况。这些结果与一般预期不一致,与参与者放弃这所学校然后选择另一所学校的自由选择有关。其次,从国立中等学校(学校规模(U4))毕业的学生数量(招生失败明显大于招生成功)表明,参与者毕业的学校在学生数量大方面不具有竞争优势。
决策树分析
表格5以训练/测试样本为例,显示使用CHAID方法分类的结果。这是将整个样本(6013人)分为80%用于训练算法(4809人)和20%用于实际测试样本特征(1204人)的结果。在树结构的最大深度处,树的生长条件为6,父节点上的最小观测数为100,子节点上的最小观测数为50。在0.05的显著水平上,固结和分割条件的显著值为Bonferroni方法调整条件下生长的结果。训练/测试模型的风险值为0.231/0.252,标准误差为0.006/0.013,对登记失败的敏感性为81.9/80.6%(精密度为67.4/63.2%),总体准确率为76.9/74.8%,节点数为39个。培养/测试模型的自变量依次为:首都圈注册学校(X3)、其他因素(U16)、注册门槛(X5)、技术艺术天赋(U10)、综合评估项目(U14)、弱势地位(U11)、入学人员与分布院校之间的距离(X4)、初中毕业生类型(U1)、写作测试(U15)。
数字2显示训练/测试样本的树形图。本研究的目的是能够详细说明将决策树划分为Up的三个子结构图(图。3.,4为训练/测试样本),左(图。5,6为都市圈高校的培训/测试样本),右(图。7,8是农业县高校的培训/测试样本)。
数据3.而且4第一级决策树是由训练/测试样本组成的。在节点0中,培训组/测试组中有65.7/66.8%的申请者报名失败。节点0以下的分支是节点1和节点2(一级)。在节点1(都市圈)中,培训/测试组中77.0/78.3%的申请者未能注册,这是一个非常高的比例。在节点2(农业县),培训/测试组中有51.4/52.6%的申请者未能注册。这一比例比节点1低25%,说明农业县的大学竞争力不如大都市地区的大学。图中节点1以下分支的树状结构。3.而且4是都市圈学校招生的结果,节点2中如下分支的树状结构是农业县学校招生的结果。
大都市地区的招生大学
来自图中的节点1。5而且6,培训/测试组中77.0/78.3%的申请者未能注册。节点1突出显示了以下级别的分支结构:
- (1)
在节点3中,培训/测试组有86.1/85.4%的申请人未能入学,这表明如果申请人选择在首都地区注册的大学,英语考试(GEPT或TOEIC)的加分分数(其他)将被取消≦1.2)成为招生失败的主要原因。
- 我。
在节点8中,培训/测试组中有75.9/75.1%的申请者报名失败,这一比例较高。
- (我)
在节点19,82.8/79.5%的培训/测试组申请者未能入学,这表明在选择首都地区(其他地区)注册大学的申请者中≦1.2,达到报名门槛的人,技术和艺术天赋= 0)在这些条件下,仍然会有高达80%左右的报名失败。第五层由以下节点19划分为两个节点:节点27(综合评估方案≦14;95.8/95.5%为不合格比率)和节点28(综合评估项目> 14;64.0/60.0%为未注册的比例)。
- 我。
- 我。
在节点27处,培训/测试组中95.5/95.8%的申请者未能注册。第六层包括节点33以下的分支(劣势状态)≦0;98.3/99.1%为未注册的比例)和节点34(弱势状态> 0;71.2/72.2%为未入学的比率)。弱势群体的入学失败率低于非弱势群体,说明弱势群体存在部分保障效应。
- 2
在节点28,64.0/60.0%的培训/测试组申请者未能注册。第六层包括节点35以下的分支(招生人员与分布学院之间的距离)≦0;52.0/50.9%为落榜比例)和节点36(落榜者与分布院校之间的距离> 0;75.7/69.1%为落榜比率)。这些结果表明,非本地申请人的入学失败率将显著增加。
- (我)
在节点20(技术和艺术天赋> 0),培训/测试组中有53.2/61.7%的申请人未能注册。第五层由下面的节点20划分为两个节点:节点29(被录取学生与分布学院之间的距离)≦0;36.0/34.3%为落榜比例)和节点30(落榜者与分布院校之间的距离> 0;67.9/82.6%为未入学比率)。研究发现,在县、市范围内,生源与目标高校距离越远,生源不合格率越高。
- (我)
- 我。
(ii)节点9未达到注册阈值,培训/测试组中有100/100%的申请者未能注册。
- (2)
在节点4(其他> 1.2),培训/测试组中64.2/58.3%的申请人成功注册。该结果表明,当其他> 1.2时,大都市高校的招生成功率将显著高于节点3。第三级是由节点4到节点10以下的分支(综合评估方案≦15.4;成功入学的比例为76.1/71.4%)和节点11(综合评估项目> 15.4;成功入学的比率为54.5/56.2%)。对比两个水平独立节点10和11的录取成功率发现,较低的综合考核方案的录取成功率反而较高,呈现出异常现象。
农业县高校招生情况
在无花果。7而且8,第二层通过节点2划分为三个节点:节点5(被录取学生与分布高校之间的距离)≦1.0;65.7/64.4%为录取率),节点6(1 <录取者与分布院校的距离≦2, 60.8/61.7%为录取率),节点7(录取者与目标院校>的距离为2,80.3/79.8%为录取率)。比较该层次的3个节点,发现农业县域高等学校录取录取率与被录取者与被录取者的距离有关。申请人与录取学校在同一县或市时,录取率较高。如果申请者和学校跨越两个县市,那么不合格率就会更高。
- 1.
在节点5处,第三层被节点5分为三个节点:节点12(综合评估方案≦11.2;73.0/73.3%为成功入学的比例),节点13(11.2 <综合评估项目≦12.18;63.8/54.2%为入学合格率),节点14(综合考核项目> 12.18;51.0/59.4%是成功入学的比率)。对比3个节点的结果发现,综合考核项目(节点12)中最低的项目入校成功率最高。一个更高的综合评估项目反而会有更低的成功入学率。因此,出现了人才逆向选择的情况。
- 我。
在节点12,第五级由节点12到节点23以下的分支组成(编写测试)≦3;80.0/73.8%为报名成功比例)和节点24(写测试> 3;70.4/73.1%)。事实证明,那些在写作测试(Node 23)中得分较低的人成功入学的比例更高,因此也存在人才逆向选择的情况。这种现象可能发生在农业县高校,这可能是申请人放弃招生的结果,招生部门制定了一个策略来填补空缺的席位。
- 2
在节点14,第五级由节点14以下至节点25的分支组成(初中毕业生类型为城市;60.0/64.0%)和Node 26(初中毕业生类型分为县、私立、国民;73.5/52.6%为落选比率)。在这里,你会发现这个城市的初中毕业生有相对较高的入学成功率。
最后,人才逆向选择出现的一个可能原因可能是更合格的申请人放弃了这个录取机会,选择了其他学校注册。这是农业县免试大学面临的一个潜在难题。
- (2)
在节点6,第四级是由节点6以下的分支到节点15(综合评估程序≦8.4;46.0/33.3%为不合格的比例)和节点16(综合评估项目> 8.4;63.5/60.9%为未入学的比例)。综合考核项目越高,落榜比例越高,存在人才逆向选拔现象。
- (3)
在节点7,第四级由节点7到节点17的分支组成(编写测试)≦3;65.1/84.6%为未注册的比例)和节点18(写测试> 3;83.5/78.2%为落选比率)。
根据图的结果。3.通过8, 7条重要的决策规则整理于表中6.这是整合一些决策规则的结果,这些规则来自训练组的预测失败(或成功)与实际注册的比例,达到了至少75%或更高的准确率。其中,在第一部分大都市大学中,4条规则决定是否录取,1条规则决定是否录取。第二部分农业县高校提供了一条录取失败的重要规则和一条录取成功的重要规则。本规则可提供给申请人、亲属、朋友,以及免试招生学校相关负责人作为参考。
结论
本研究运用决策树分析方法,探讨台湾五年制大专联合招生与分配过程中招生失败与成功的原因,并观察该招生制度是否达到预期的教育目标。建立的培训/测试模型用于免试招生大学,对招生失败检测的敏感性为81.9/80.6%。树状结构中高校的地理位置(都市区与农业县)是第一级影响因素;也就是说,这两所分类大学在决定招生失败的因素方面存在显著差异。
首先,都市圈高校的录取率远高于农业县高校。这表明,大都市地区的免试大学仍然给申请人带来相对较大的竞争压力。在大都市地区,大学具有人才选拔的优势。英语考试成绩(其他)和入学门槛是成功入学的两个重要因素。那么,即使达到了注册阈值,其他的≦1.2:
- (1)
如果技术和艺术天赋(U10) = 0,则有80.0%的大概率无法进入大学。必须重视那些在技术和艺术上有天赋的学生的更高表现,这可以与改进的综合评估程序相辅相成,从而降低不合格入学的可能性。此外,对于弱势群体的状况也有一定的保障措施(见节点33和34),在高等综合评估项目(>14.0)中,由于参试者与目标学院之间的距离而导致的招生失败比例(见节点35和36)依赖于这一关系。
- (2)
如果技术和艺术天赋> 0,那么训练样本的注册失败比例降低到53.2%(见节点19和20)。当技术艺术天才与目标学校距离较远时,其入学失败比例也较高(见节点29和节点30)。本研究发现,在大都市地区招生的大学有更好的英语考试成绩(其他> 1.2),这使得训练样本的招生失败比例降低到35.8%(见节点3和节点4);随后,参试者与目标学院之间的距离(见节点29和30)以及综合评估计划的结果(见节点37和38)是次要因素。
对于农业县高校,部分申请人保留了择校的灵活性,高校可能面临招生不足的问题(见图2)。1;C、D学校实际入学率分别为56.73、89.05%)。被招生者与目标学校之间的距离是导致招生失败的主要因素(见图中的节点5、6、7)。2而且3.);结果发现,在申请人所在地区或周边县市,综合考核方案的结果并不理想,但招生不合格率有所降低(见图中节点12、13、14)。2而且3.).此外,综合评估方案或笔试的部分结果(见图中节点23和节点24)。2而且3.)在申请者中表现出较好的成绩,但招生失败率较高,这表明高校在人才方面存在逆向选择现象。出现这种现象的原因,有可能是优秀的申请者倾向于选择不同的大学,也有可能是宽松的大学录取条件造成的。
本研究结果显示,虽然台湾国立中等学校的招生制度以多智均衡教育为目标,但在招生偏好的影响下,都市圈高校与农业县高校的招生竞争加剧。大都市地区的招生院校具有较大的择优能力,而农业县的农村招生院校在人才的逆向选择中被边缘化。这种逆向选拔人才的现象,不利于农业招生学校选拔优秀人才进行教育,不能有效利用教育资源,也不利于地方人才的培养。为解决农业县域高校招生不足的问题,建议将农业县域的2020)的方法,在农业县大学区推荐招生政策,给予学生保证或优先录取,以提高学生在自己选择的学校的入学率。
数据可用性
数据共享不适用于本研究,因为没有数据生成或分析。
参考文献
易杰(2011)在大学招生中运用商业智能:一种战略方法。Int J总线Intell Res 2(1):1 - 15
吴海德,李志强,李志强(2017)。基于教育数据挖掘的大学生学习绩效分析。计算教育113:177-194
Aulck L, Nambi D, Velagapudi N, Blumenstock J, West J(2019)矿业大学注册记录预测大一本科生减员。见:第12届教育数据挖掘国际会议论文集(EDM 2019)。国际教育数据挖掘学会,蒙特利尔,加拿大,第9-18页
Berry MA, Linoff G(1997)市场营销、销售和客户支持的数据挖掘技术。Wiley and Sons,纽约
周正大(2009)台湾十二年基础教育计划。大学教育资源研究(台湾)42:25-42
Delibasic B, Vukicevic M, Jovanovic M, Suknovic M(2013)白盒或黑盒决策树算法:在教育中使用哪种?电子工程学报,36 (3):379 - 379
Fayyad U, Piatetsky-Shapiro G, Smyth P(1996)从数据挖掘到数据库中的知识发现。AI Mag 17(3): 37-54
加德纳H(2011)智力,创造力,伦理:对我不断发展的研究兴趣的反思。礼物儿童Q 55(4): 302-304
Han S(2022)通过应用算法方法识别韩国机会不平等的根源。人类社会科学学报9(1):18
Howard E, Meehan M, Parnell A(2018)本科水平预警系统的对比预测方法。互联网高等教育37:66-75
Kingsford C, Salzberg SL(2008)什么是决策树?生物工程学报26(9):1011-1013
Kirby NF, Dempster ER(2014)使用决策树分析了解基础科学学生的表现。Insight是在南非一所大学获得的。科学通报36(17):2825-2847
Kiss B, Nagy M, Molontay R, Csabay B(2019)使用高中和第一学期学业成绩指标预测辍学率。2019年第17届新兴电子学习技术与应用国际会议(ICETA)。IEEE, Starý Smokovec,斯洛伐克,第383-389页
克里萨尼奇S(2020)教育数据挖掘使用聚类分析和决策树技术:一个案例研究。国际巴士管理:184797902090867
Lee L, Liu YS(2021)使用决策树评估整体音乐教育方法对特殊需要儿童的影响。可持续性13 (3):1410
林晓峰,叶玉春,洪宇华,张日(2013)基于决策树的创意个性化学习路径的数据挖掘。Comput Educ 68:199-210
Lynch CF(2017)教育大数据的预言者是谁?新的见解和新的挑战。理论与实践15(3):249-271
Maltz EN, Murphy KE, Hand ML(2007)高校招生管理决策支持:实施与经验。Decis Support Syst 44(1): 106-123
教育部(2009年)《高中和五年制专科扩大申请招生实施方案》。台湾教育部台北市
Nagy M, Molontay R(2018)基于中学成绩的高等教育辍学率预测。在:2018年IEEE第22届智能工程系统国际会议(INES)。IEEE,拉斯帕尔马斯德大加那利岛,西班牙,第389-394页
Oranye NO(2016)用于大学入学卫生专业项目的标准化面试的有效性:Rasch分析。SAGE Open 6(3):215824401665911
Park E, Dooris J(2020)利用决策树分析预测学生的教学评价。《高等教育评价》45(5):776-793
PhridviRaj MSB, GuruRao CV(2014)数据挖掘——过去、现在和未来——对数据流的典型调查。程序技术12:255-263
Ragab AHM, Mashat AFS, Khedra AM (2012) HRSPCA:预测大学录取的混合推荐系统。参加:2012年第十二届智能系统设计与应用国际会议(ISDA)。IEEE, Kochi,印度,第107-113页
Rastrollo-Guerrero JL, Gómez-Pulido JA, Durán-Domínguez A(2020)用机器学习的方法分析和预测学生的表现:综述。应用科学10(3):1042
Singer G, Golan M, Rabin N, Kleper D(2020)学习障碍和住宿对决策树预测工科本科学生学习行为稳定性的影响。科学通报,45(4):614-630
Tanna M(2012)基于入学考试成绩的工科院校录取决策支持系统。Int J计算应用52(11):38-41
Vialardi C, Chue J, Peche JP, Alvarado G, Vinatea B, Estrella J, Ortigosa Á(2011)一种基于学习成绩指导学生通过招生过程的数据挖掘方法。用户模型用户适应交互21(1-2):217-248
沃特豪斯L(2006)多元智能,莫扎特效应,和情商:一个批判性的评论。心理科学41(4):207-225
吴俊梅(2020)利用地区特征预测择校政策的效果:来自香港的经验证据。J学校选择14(4):633-654
姚刚,王娟,崔斌,马勇(2022)社会学习中任务对群体绩效的量化影响。人类社会科学,9(1):282
(2014)基于决策树分类的中国高校知名度预测模型。应用数学学报2014:675806
确认
作者在此感谢王国恩先生(招生中心主任)为本研究提供匿名参与者注册数据集。
作者信息
作者及隶属关系
贡献
Y-SL设计了这项研究,分析了数据,并撰写了手稿。LL在研究监督和项目管理方面做出了贡献。作者们阅读并批准了最终的手稿。
相应的作者
道德声明
相互竞争的利益
作者声明没有利益竞争。
伦理批准
这项研究遵循《赫尔辛基宣言》的原则。本文不包含作者对人类或动物进行的任何研究。这项研究是一个教育问题,不涉及人体实验。
知情同意
本文不包含任何作者对人类参与者进行的任何研究
额外的信息
出版商的注意施普林格自然对出版的地图和机构从属关系中的管辖权主张保持中立。
权利和权限
开放获取本文遵循知识共享署名4.0国际许可协议(Creative Commons Attribution 4.0 International License),允许以任何媒介或格式使用、分享、改编、分发和复制,只要您对原作者和来源给予适当的署名,提供知识共享许可协议的链接,并注明是否有更改。本文中的图像或其他第三方材料包含在文章的创作共用许可中,除非在材料的信用额度中另有说明。如果内容未包含在文章的创作共用许可协议中,并且您的预期使用不被法定法规所允许或超出了允许的使用范围,您将需要直接获得版权所有者的许可。要查看此许可证的副本,请访问http://creativecommons.org/licenses/by/4.0/.
关于本文
引用本文
刘,y。,Lee, L. Evaluation of college admissions: a decision tree guide to provide information for improvement.人文社会科学共同体9, 390(2022)。https://doi.org/10.1057/s41599-022-01413-z
收到了:
接受:
发表:
DOI:https://doi.org/10.1057/s41599-022-01413-z