Early detection of emotional issues in High School students: a machine learning approach

The primary objective of this project is to develop a predictive model for early emotional issue detection in high school students. By harnessing academic performance, attendance, and discipline records, this research work aims to detect early indicators of emotional issues, thereby empowering teachers and educators to promptly identify and support students. At the heart of this novel approach lies the development of a machine learning model composed of two essential components: a deep encoder and a classifier. The deep encoder performs feature extraction from time series data reflecting academic performance, by identifying and highlighting inherent patterns within these sequences. Such patterns hold critical information necessary for the early detection of emotional issues. The deep encoder’s output, known as embeddings, is then fed into the classifier for the classification process. This approach has proven remarkably successful, with the classifier achieving a remarkable 93% weighted F1 score on the test set. To achieve this result, we carefully developed a methodology to systematically explore the data, generate meaningful time series representations, and classify students’ academic performance as stable, monitor, or critical. This approach simplifies intervention efforts, leading to enhanced detection times.

Lo scopo di questo progetto è sviluppare un modello di deep learning in grado di rilevare disturbi dell’apprendimento negli studenti delle scuole superiori. Utilizzando dati relativi all’andamento scolastico, alle note disciplinari e alla frequenza scolastica, questo lavoro di ricerca mira a individuare indicatori precoci di disturbi dell’apprendimento, consentendo così agli insegnanti ed educatori di supportare prontamente gli studenti. Il cuore pulsante del progetto è lo sviluppo di un modello innovativo di deep learning composto da due componenti essenziali: un deep encoder e un classifier. Il deep encoder effettua la cosiddetta feature extraction delle caratteristiche principali delle time series, che rappresentano le performance accademiche degli studenti. In questo modo è possibile mettere in risalto i pattern intrinseci alle time series, i quali contengono informazioni cruciali per l’identificazione di potenziali problemi di apprendimento. L’ouput del deep encoder, noto come embeddings, viene poi utilizzato per il processo di classificazione. Questo approccio si è rivelato particolarmente efficace, dal momento che il modello ha raggiunto un’accuratezza del 93%, misurata attraverso il weighted F1 score. Per ottenere questo risultato, è stata sviluppata in modo accurato una metodologia per analizzare sistematicamente i dati, generare rappresentazioni significative di time series e classificare gli andamenti scolastici degli studenti.