Abstract:
Educational Data Mining (EDM) is a theory-oriented approach in academic settings that integrates computational methods to improve academic performance and faculty management. Machine learning algorithms are essential for knowledge creation, enabling accurate performance prediction and early student identification, with classification being a widely applied method in predicting student performance based on various traits. Predicting students' academic performance is a significant factor in educational Systems, allowing for early identification of at-risk students and enabling timely interventions. This research aims to utilize the Naive Bayes Classifier (NBC) to assess students' academic levels, a widely recognized probabilistic approach in machine learning. The study applies NBC to analyze various factors influencing academic performance, such as previous grades, attendance, participation in extracurricular activities, and socio-economic background. The model was trained and assessed on a dataset from Faculty of Business, Economics & Information Systems in Misr University for Science& Technology, allowing for accurate evaluation against actual academic outcomes. Findings demonstrate that the NBC model can effectively predict academic levels with a high degree of accuracy, providing valuable insights for educators and administrators to tailor academic support for students in need. This research emphasizes the practical benefits of using predictive models in educational environments to enhance overall academic performance and optimize resource allocation for student success.
المستخلص:
استخراج البيانات التعليمية (EDM)  هو نهج موجه نحو النظرية في البيئات الأكاديمية يدمج الأساليب الحسابية لتحسين الأداء الأكاديمي وإدارة أعضاء هيئة التدريس،  تعد خوارزميات التعلم الآلي ضرورية لإنشاء المعرفة ، مما يتيح التنبؤ الدقيق بالأداء وتحديد الطلاب مبكرا ، مع كون التصنيف طريقة مطبقة على نطاق واسع في التنبؤ بأداء الطلاب بناء على سمات مختلفة. يعد التنبؤ بالأداء الأكاديمي للطلاب عاملا مهما في الأنظمة التعليمية ، مما يسمح بالتحديد المبكر للطلاب المعرضين للخطر وتمكين التدخلات في الوقت المناسب. يهدف هذا البحث إلى استخدام Naive Bayes Classifier (NBC)  لتقييم المستويات الأكاديمية للطلاب ، وهو نهج احتمالي معترف به على نطاق واسع في التعلم الآلي. تطبق الدراسة NBC  لتحليل العوامل المختلفة التي تؤثر على الأداء الأكاديمي ، مثل الدرجات السابقة ، والحضور ، والمشاركة في الأنشطة اللامنهجية ، والخلفية الاجتماعية والاقتصادية. تم تدريب النموذج واختباره على مجموعة بيانات من كلية الأعمال والاقتصاد ونظم المعلومات بجامعة مصر للعلوم والتكنولوجيا ، مما يسمح بتقييم الدقة مقابل النتائج الأكاديمية الفعلية. تظهر النتائج أن نموذج NBC  يمكنه التنبؤ بشكل فعال بالمستويات الأكاديمية بدرجة عالية من الدقة ، مما يوفر رؤى قيمة للمعلمين والإداريين لتخصيص الدعم الأكاديمي للطلاب المحتاجين. يؤكد هذا البحث على الفوائد العملية لاستخدام النماذج التنبؤية في البيئات التعليمية لتعزيز الأداء الأكاديمي العام وتحسين تخصيص الموارد لنجاح الطلاب.