An application of neural networks for learning analytics

The present work is based on the academic data collected within the Student Profile for Enhancing Tutoring Engineering (SPEET) ERASMUS+ project, a programme aimed at processing the academic data in order to extract useful information and open a new perspective to university tutoring systems, involving Politecnico di Milano together with other five European universities. The main goal of this work is to analyse the relationship between the status of the students, namely the distinction between students obtaining a BSc degree and those who, instead, decide to drop out from Politecnico di Milano, and the set of explanatory variables regarding the different student’s characteristics. The analysis focuses on BSc Engineering degrees from Politecnico di Milano: in particular, the collected dataset includes both career and personal information about 41,098 students who enrolled in BSc degree programmes from 2010 to 2016. Both machine learning and classical statistical techniques are considered: Artificial Neural Networks (ANNs) as well as Generalized Linear Models (GLMs) methods are applied to the dataset of interest; in particular, the results obtained comparing the performances of the two different methods in detecting dropout cases show that ANNs are comparable to GLMs and seem to be good candidate methods to use within SPEET project scope, even though their interpretability limits.

Questo lavoro è basato sui dati accademici raccolti dal progetto ERASMUS+ Student Profile for Enhancing Tutoring Engineering (SPEET), con lo scopo di elaborare i dati accademici al fine di estrarne informazioni utili e vantaggiose e promuovere una nuova prospettiva riguardante i sistemi di tutorato universitario, che coinvolge il Politecnico di Milano insieme ad altri cinque atenei europei. L’obiettivo principale di questa tesi è di analizzare la relazione tra lo stato degli studenti, in particolare la distinzione tra gli studenti che completano gli studi ottenendo l'attestato di laurea e coloro che, invece, decidono di ritirarsi dal Politecnico di Milano, e un insieme di variabili esplicative riguardanti le diverse caratteristiche degli studenti. L'analisi si concentra sui Corsi di Laurea Triennale di Ingegneria del Politecnico di Milano: in particolare, il dataset raccolto include sia informazioni riguardanti la carriera accademica che informazioni personali di 41,098 studenti che si sono iscritti alla Laurea di primo livello tra il 2010 e il 2016. Vengono considerati sia modelli di machine learning che tecniche di statistica classica: al dataset d'interesse, vengono applicati sia metodi di reti neurali artificiali che modelli lineari generalizzati; in particolare, i risultati ottenuti comparando l’efficacia dei due diversi metodi riguardo al rilevamento dei dropout, mostrano che le reti neurali ottengono risultati comparabili alle tecniche standard dei modelli lineari generalizzati, e risultano quindi un buon candidato da utilizzare all'interno del progetto SPEET, nonostante i limiti di interpretabilità.