ABSTRAK
Latar belakang
Pertumbuhan pendidikan daring telah memberikan fleksibilitas dan akses ke berbagai macam kursus. Akan tetapi, sifat kursus yang dapat diatur sendiri dan sering kali terisolasi ini telah dikaitkan dengan meningkatnya angka putus sekolah dan kegagalan. Para peneliti menggunakan pendekatan pembelajaran mesin untuk mengidentifikasi siswa yang berisiko, tetapi beberapa masalah belum ditangani terkait definisi siswa yang berisiko, serta kekuatan dan keterbatasan berbagai model pembelajaran mesin untuk memprediksi siswa yang berisiko.
Tujuan
Tinjauan sistematis ini bertujuan untuk memberikan gambaran menyeluruh mengenai penelitian 10 tahun terakhir yang berfokus pada penerapan teknik pembelajaran mesin untuk memprediksi siswa yang berisiko (yaitu, kegagalan, putus sekolah) dalam lingkungan pembelajaran daring.
Metode
Studi diambil dari ACM Digital Library, IEEE Xplore Digital Library, Web of Science, ERIC, ProQuest, dan EBSCO. Sebanyak 161 studi yang diterbitkan dari tahun 2014 hingga 2024 disertakan dalam tinjauan ini.
Hasil dan Kesimpulan
Temuan penelitian mengungkapkan (1) empat definisi risiko utama yang diuraikan dalam studi yang ditinjau, masing-masing berfokus pada tahap spesifik keterlibatan dan kinerja siswa dalam suatu mata kuliah; (2) sebagian besar studi mengandalkan keterlibatan perilaku siswa dan faktor akademis sebagai prediktor risiko; (3) adopsi pembelajaran mendalam dan jaringan pembelajaran mendalam ensemble telah meningkat secara signifikan dalam 5 tahun terakhir, sering kali mengungguli model pembelajaran mesin klasik. Sementara studi di mana pembelajaran mesin klasik unggul sering kali mengandalkan metodologi ensemble dan ukuran sampel yang lebih kecil; (4) praktik pembelajaran mesin saat ini yang dievaluasi dengan daftar kriteria menunjukkan kekhawatiran mengenai reproduktifitas, generalisasi, dan interpretabilitas.
