{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5462432"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5462432","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόβλεψη της τελικής επίδοσης μαθητών με εποπτευόμενη μηχανική μάθηση : σύγκριση Elastic Net και XGBoost σε ενοποιημένα εκπαιδευτικά δεδομένα","abstract":"Η παρούσα μελέτη επιχειρεί την πρόβλεψη της τελικής επίδοσης μαθητών (μεταβλητή G3) σε δύο γνωστικά αντικείμενα — Μαθηματικά και Πορτογαλικά — μέσω εποπτευόμενων μεθόδων μηχανικής μάθησης, εφαρμόζοντας Elastic Net Regression και XGBoost σε ένα ενοποιημένο σύνολο δεδομένων 1.044 παρατηρήσεων. Το dataset περιλαμβάνει δημογραφικά, κοινωνικοοικονομικά, ακαδημαϊκά και συμπεριφορικά χαρακτηριστικά, ενώ δημιουργήθηκαν και τέσσερις σύνθετοι δείκτες (Alcohol_avg, Social_score, Study_effort, Risk_index) μέσω feature engineering.Η τελική βαθμολογία G3 μοντελοποιήθηκε ως συνεχής εξαρτημένη μεταβλητή, με στόχο την ακριβή αριθμητική εκτίμησή της. Η προεπεξεργασία περιέλαβε διαχείριση ελλιπών τιμών, κανονικοποίηση αριθμητικών δεδομένων και μετατροπή κατηγορικών μεταβλητών μέσω one-hot encoding. Η εκπαίδευση πραγματοποιήθηκε σε training set (80%) με χρήση pipelines και GridSearchCV. Τα αποτελέσματα ανέδειξαν το XGBoost ως το αποδοτικότερο μοντέλο, με RMSE=1.258, MAE=0.644 και R²=0.898, υπερέχοντας του ElasticNet (R²=0.880). Οι σημαντικότεροι παράγοντες που επηρεάζουν την G3 ήταν οι G1, G2, Study_effort, το γνωστικό αντικείμενο (subject), οι αποτυχίες και η απουσία, ενώ στο XGBoost κυριάρχησαν και μη γραμμικά χαρακτηριστικά όπως activities_yes και reason_reputation.Η εργασία καταλήγει σε στοχευμένες εκπαιδευτικές προτάσεις: αξιοποίηση πρόωρων δεικτών (G1, failures), ενίσχυση της υποστηρικτικής διδασκαλίας στα Μαθηματικά και ανάπτυξη εργαλείων πρώιμης παρέμβασης σε μαθητές με υψηλό εκπαιδευτικό κίνδυνο. Προτείνονται επεκτάσεις σε ελληνικά δεδομένα, πολυπαραγοντικά μοντέλα και χρήση χρονοεξαρτώμενων προβλέψεων. Λέξεις-Κλειδιά: πρόβλεψη μαθητικής επίδοσης, μηχανική μάθηση, Elastic Net, XGBoost, G3.","abstract_html":"Η παρούσα μελέτη επιχειρεί την πρόβλεψη της τελικής επίδοσης μαθητών (μεταβλητή G3) σε δύο γνωστικά αντικείμενα — Μαθηματικά και Πορτογαλικά — μέσω εποπτευόμενων μεθόδων μηχανικής μάθησης, εφαρμόζοντας Elastic Net Regression και XGBoost σε ένα ενοποιημένο σύνολο δεδομένων 1.044 παρατηρήσεων. Το dataset περιλαμβάνει δημογραφικά, κοινωνικοοικονομικά, ακαδημαϊκά και συμπεριφορικά χαρακτηριστικά, ενώ δημιουργήθηκαν και τέσσερις σύνθετοι δείκτες (Alcohol_avg, Social_score, Study_effort, Risk_index) μέσω feature engineering.Η τελική βαθμολογία G3 μοντελοποιήθηκε ως συνεχής εξαρτημένη μεταβλητή, με στόχο την ακριβή αριθμητική εκτίμησή της. Η προεπεξεργασία περιέλαβε διαχείριση ελλιπών τιμών, κανονικοποίηση αριθμητικών δεδομένων και μετατροπή κατηγορικών μεταβλητών μέσω one-hot encoding. Η εκπαίδευση πραγματοποιήθηκε σε training set (80%) με χρήση pipelines και GridSearchCV. Τα αποτελέσματα ανέδειξαν το XGBoost ως το αποδοτικότερο μοντέλο, με RMSE=1.258, MAE=0.644 και R²=0.898, υπερέχοντας του ElasticNet (R²=0.880). Οι σημαντικότεροι παράγοντες που επηρεάζουν την G3 ήταν οι G1, G2, Study_effort, το γνωστικό αντικείμενο (subject), οι αποτυχίες και η απουσία, ενώ στο XGBoost κυριάρχησαν και μη γραμμικά χαρακτηριστικά όπως activities_yes και reason_reputation.Η εργασία καταλήγει σε στοχευμένες εκπαιδευτικές προτάσεις: αξιοποίηση πρόωρων δεικτών (G1, failures), ενίσχυση της υποστηρικτικής διδασκαλίας στα Μαθηματικά και ανάπτυξη εργαλείων πρώιμης παρέμβασης σε μαθητές με υψηλό εκπαιδευτικό κίνδυνο. Προτείνονται επεκτάσεις σε ελληνικά δεδομένα, πολυπαραγοντικά μοντέλα και χρήση χρονοεξαρτώμενων προβλέψεων. Λέξεις-Κλειδιά: πρόβλεψη μαθητικής επίδοσης, μηχανική μάθηση, Elastic Net, XGBoost, G3.","abstract_has_math":false,"creators":["ΣΤΑΜΟΥΛΗΣ ΒΑΣΙΛΕΙΟΣ","STAMOULIS VASILEIOS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:21:17Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5462432"],"render_values":[{"text":"uoadl:5462432","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5462432","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5462432","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5462432","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΣΤΑΜΟΥΛΗΣ ΒΑΣΙΛΕΙΟΣ","STAMOULIS VASILEIOS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5462432","https://pergamos.lib.uoa.gr/uoa/dl/object/5462432"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα μελέτη επιχειρεί την πρόβλεψη της τελικής επίδοσης μαθητών (μεταβλητή G3) σε δύο γνωστικά αντικείμενα — Μαθηματικά και Πορτογαλικά — μέσω εποπτευόμενων μεθόδων μηχανικής μάθησης, εφαρμόζοντας Elastic Net Regression και XGBoost σε ένα ενοποιημένο σύνολο δεδομένων 1.044 παρατηρήσεων. Το dataset περιλαμβάνει δημογραφικά, κοινωνικοοικονομικά, ακαδημαϊκά και συμπεριφορικά χαρακτηριστικά, ενώ δημιουργήθηκαν και τέσσερις σύνθετοι δείκτες (Alcohol_avg, Social_score, Study_effort, Risk_index) μέσω feature engineering.Η τελική βαθμολογία G3 μοντελοποιήθηκε ως συνεχής εξαρτημένη μεταβλητή, με στόχο την ακριβή αριθμητική εκτίμησή της. Η προεπεξεργασία περιέλαβε διαχείριση ελλιπών τιμών, κανονικοποίηση αριθμητικών δεδομένων και μετατροπή κατηγορικών μεταβλητών μέσω one-hot encoding. Η εκπαίδευση πραγματοποιήθηκε σε training set (80%) με χρήση pipelines και GridSearchCV. Τα αποτελέσματα ανέδειξαν το XGBoost ως το αποδοτικότερο μοντέλο, με RMSE=1.258, MAE=0.644 και R²=0.898, υπερέχοντας του ElasticNet (R²=0.880). Οι σημαντικότεροι παράγοντες που επηρεάζουν την G3 ήταν οι G1, G2, Study_effort, το γνωστικό αντικείμενο (subject), οι αποτυχίες και η απουσία, ενώ στο XGBoost κυριάρχησαν και μη γραμμικά χαρακτηριστικά όπως activities_yes και reason_reputation.Η εργασία καταλήγει σε στοχευμένες εκπαιδευτικές προτάσεις: αξιοποίηση πρόωρων δεικτών (G1, failures), ενίσχυση της υποστηρικτικής διδασκαλίας στα Μαθηματικά και ανάπτυξη εργαλείων πρώιμης παρέμβασης σε μαθητές με υψηλό εκπαιδευτικό κίνδυνο. Προτείνονται επεκτάσεις σε ελληνικά δεδομένα, πολυπαραγοντικά μοντέλα και χρήση χρονοεξαρτώμενων προβλέψεων. Λέξεις-Κλειδιά: πρόβλεψη μαθητικής επίδοσης, μηχανική μάθηση, Elastic Net, XGBoost, G3.","This study investigates the prediction of students’ final academic performance, represented by the G3 variable, in two subjects, Mathematics and Portuguese, using supervised machine learning methods. Elastic Net Regression and XGBoost were applied to a merged dataset of 1,044 observations. The dataset includes demographic, socioeconomic, academic, and behavioral features, and four composite indicators were engineered through feature engineering, namely Alcohol_avg, Social_score, Study_effort, and Risk_index. The final grade G3 was modeled as a continuous dependent variable, aiming at accurate numerical estimation. Data preprocessing included handling missing values, scaling numerical features, and transforming categorical variables using one hot encoding. Model training was conducted on an 80 percent training split using pipelines and GridSearchCV. The results identified XGBoost as the best performing model, achieving RMSE 1.258, MAE 0.644, and R² 0.898, outperforming Elastic Net, which achieved R² 0.880. The most influential predictors of G3 were G1, G2, Study_effort, the subject variable, failures, and absences, while XGBoost also captured additional nonlinear effects from features such as activities_yes and reason_reputation. The study concludes with targeted educational recommendations, including the use of early indicators such as G1 and failures, strengthening supportive instruction in Mathematics, and developing early intervention tools for students with elevated educational risk. Future work is proposed in the direction of applying the approach to Greek educational data, exploring more complex multivariate models, and incorporating time dependent predictive frameworks. Keywords: student performance prediction, machine learning, Elastic Net, XGBoost, G3."]},{"key":"dc:title","label":"Title","values":["Πρόβλεψη της τελικής επίδοσης μαθητών με εποπτευόμενη μηχανική μάθηση : σύγκριση Elastic Net και XGBoost σε ενοποιημένα εκπαιδευτικά δεδομένα"]}]}],"canonical_facts":{"dc:creator":["ΣΤΑΜΟΥΛΗΣ ΒΑΣΙΛΕΙΟΣ","STAMOULIS VASILEIOS"],"dc:date":["2026"],"dc:description":["Η παρούσα μελέτη επιχειρεί την πρόβλεψη της τελικής επίδοσης μαθητών (μεταβλητή G3) σε δύο γνωστικά αντικείμενα — Μαθηματικά και Πορτογαλικά — μέσω εποπτευόμενων μεθόδων μηχανικής μάθησης, εφαρμόζοντας Elastic Net Regression και XGBoost σε ένα ενοποιημένο σύνολο δεδομένων 1.044 παρατηρήσεων. Το dataset περιλαμβάνει δημογραφικά, κοινωνικοοικονομικά, ακαδημαϊκά και συμπεριφορικά χαρακτηριστικά, ενώ δημιουργήθηκαν και τέσσερις σύνθετοι δείκτες (Alcohol_avg, Social_score, Study_effort, Risk_index) μέσω feature engineering.Η τελική βαθμολογία G3 μοντελοποιήθηκε ως συνεχής εξαρτημένη μεταβλητή, με στόχο την ακριβή αριθμητική εκτίμησή της. Η προεπεξεργασία περιέλαβε διαχείριση ελλιπών τιμών, κανονικοποίηση αριθμητικών δεδομένων και μετατροπή κατηγορικών μεταβλητών μέσω one-hot encoding. Η εκπαίδευση πραγματοποιήθηκε σε training set (80%) με χρήση pipelines και GridSearchCV. Τα αποτελέσματα ανέδειξαν το XGBoost ως το αποδοτικότερο μοντέλο, με RMSE=1.258, MAE=0.644 και R²=0.898, υπερέχοντας του ElasticNet (R²=0.880). Οι σημαντικότεροι παράγοντες που επηρεάζουν την G3 ήταν οι G1, G2, Study_effort, το γνωστικό αντικείμενο (subject), οι αποτυχίες και η απουσία, ενώ στο XGBoost κυριάρχησαν και μη γραμμικά χαρακτηριστικά όπως activities_yes και reason_reputation.Η εργασία καταλήγει σε στοχευμένες εκπαιδευτικές προτάσεις: αξιοποίηση πρόωρων δεικτών (G1, failures), ενίσχυση της υποστηρικτικής διδασκαλίας στα Μαθηματικά και ανάπτυξη εργαλείων πρώιμης παρέμβασης σε μαθητές με υψηλό εκπαιδευτικό κίνδυνο. Προτείνονται επεκτάσεις σε ελληνικά δεδομένα, πολυπαραγοντικά μοντέλα και χρήση χρονοεξαρτώμενων προβλέψεων. Λέξεις-Κλειδιά: πρόβλεψη μαθητικής επίδοσης, μηχανική μάθηση, Elastic Net, XGBoost, G3.","This study investigates the prediction of students’ final academic performance, represented by the G3 variable, in two subjects, Mathematics and Portuguese, using supervised machine learning methods. Elastic Net Regression and XGBoost were applied to a merged dataset of 1,044 observations. The dataset includes demographic, socioeconomic, academic, and behavioral features, and four composite indicators were engineered through feature engineering, namely Alcohol_avg, Social_score, Study_effort, and Risk_index. The final grade G3 was modeled as a continuous dependent variable, aiming at accurate numerical estimation. Data preprocessing included handling missing values, scaling numerical features, and transforming categorical variables using one hot encoding. Model training was conducted on an 80 percent training split using pipelines and GridSearchCV. The results identified XGBoost as the best performing model, achieving RMSE 1.258, MAE 0.644, and R² 0.898, outperforming Elastic Net, which achieved R² 0.880. The most influential predictors of G3 were G1, G2, Study_effort, the subject variable, failures, and absences, while XGBoost also captured additional nonlinear effects from features such as activities_yes and reason_reputation. The study concludes with targeted educational recommendations, including the use of early indicators such as G1 and failures, strengthening supportive instruction in Mathematics, and developing early intervention tools for students with elevated educational risk. Future work is proposed in the direction of applying the approach to Greek educational data, exploring more complex multivariate models, and incorporating time dependent predictive frameworks. Keywords: student performance prediction, machine learning, Elastic Net, XGBoost, G3."],"dc:identifier":["uoadl:5462432","https://pergamos.lib.uoa.gr/uoa/dl/object/5462432"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Πρόβλεψη της τελικής επίδοσης μαθητών με εποπτευόμενη μηχανική μάθηση : σύγκριση Elastic Net και XGBoost σε ενοποιημένα εκπαιδευτικά δεδομένα"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:21:17Z"}