Dự báo khả năng đăng ký khóa học tiếp theo của học viên tại Trung Tâm Anh Ngữ sử dụng học máy

Abstract

Đề án này tập trung vào việc phát triển các mô hình dự báo khả năng học viên đăng ký khóa học tiếp theo tại trung tâm anh ngữ, sử dụng các kỹ thuật học máy. Nhu cầu tối ưu hóa hoạt động quản lý và nâng cao tỷ lệ giữ chân học viên tại các trung tâm giáo dục ngôn ngữ đã thúc đẩy nghiên cứu này. Dữ liệu sử dụng trong nghiên cứu bao gồm thông tin cá nhân của học viên (tuổi, giới tính, trình độ tiếng Anh trước khi nhập học) và quá trình học tập tại trung tâm. Các kỹ thuật học máy được áp dụng bao gồm Decision Trees, Random Forest, với mục tiêu xây dựng các mô hình dự báo chính xác. Bộ dữ liệu được chia thành tập huấn luyện và tập kiểm tra và các mô hình được đánh giá thông qua các chỉ số như độ chính xác (accuracy), độ nhạy (recall), độ đặc hiệu (precision) và giá trị F1 (F1 score). Kết quả cho thấy mô hình Random Forest đạt hiệu suất cao hơn với độ chính xác 74.31%, so với Decision Tree (74.21%). Về dự báo khả năng học tiếp, Random Forest có độ chính xác của lớp dương (precision) là 75.83%, độ nhạy (recall) 94.35% và F1- score 84.08%. Tuy nhiên, ở khả năng dự báo học viên không tiếp tục học, độ chính xác và F1-score của cả hai mô hình đều ở mức thấp. Những kết quả này không chỉ hỗ trợ trung tâm trong việc xác định khả năng học viên tiếp tục khóa học, mà còn cung cấp các chiến lược quản lý và marketing hiệu quả hơn, giúp tối ưu hóa tỷ lệ giữ chân học viên. Đề án cũng đưa ra những đóng góp tiềm năng trong việc ứng dụng mô hình dự báo vào các lĩnh vực giáo dục và quản lý khác có nhu cầu tương tự.