BAC unter der Lupe

Kontext

Über die Jahre hinweg bieten die Ergebnisse der Abiturprüfung ein detailliertes Bild der Leistung der Gymnasien in Rumänien. Durch die Analyse historischer Daten über mehrere Jahre können wir Trends, die Entwicklung der schulischen Leistung und manchmal Ergebnisse entdecken, die aus dem Rahmen fallen.

In diesem Kontext ist das Ziel dieser Aufgabe, die Leistung der Gymnasien beim Abitur statistisch zu analysieren, prädiktive Modelle zu erstellen und atypische Ergebnisse mit Machine Learning-Methoden zu identifizieren.

Datenbeschreibung

Um die Anforderungen dieser Aufgabe zu lösen, haben Sie Zugang zu einem strukturierten Dataset in Form von zwei CSV-Dateien: train.csv und test.csv. Dieser Datensatz enthält aggregierte Ergebnisse der Gymnasien bei verschiedenen Prüfungen der Abiturprüfung für den Zeitraum 2014–2023.

Jede Zeile im Datensatz (unabhängig davon, ob es sich um den Trainings- oder Testsatz handelt) repräsentiert die Ergebnisse eines Gymnasiums für ein Fach in einem Jahr.

Verfügbare Spalten:

• id – eindeutige Kennung der Zeile
• an – Jahr der Prüfung
• liceu – Name des Gymnasiums
• judet – Kreis, in dem sich das Gymnasium befindet
• materie – Abiturfach
• medie – Durchschnitt der von den Schülern des Gymnasiums im jeweiligen Fach erzielten Noten
• procent_reusita – Prozentsatz der Schüler, die die Prüfung bestanden haben
• numar_candidati – Anzahl der Kandidaten
• preferinta_materie – Prozentsatz der Schüler, die das jeweilige Fach gewählt haben
• anomalie - kann den Wert 0 haben, wenn es nicht als abnormale Situation betrachtet wird, oder den Wert 1, wenn die Situation ungewöhnlich ist.

Anmerkung: Für jedes Gymnasium haben wir auch einige allgemeine Statistiken. Für diese finden wir in der Spalte materie den Wert GENERAL.

Die Datei train.csv enthält die Statistiken aus dem Zeitraum 2014-2022, und die Datei test.csv enthält die Daten für das Jahr 2023, jedoch sind die Spalten medie und anomalie nicht verfügbar.

Anforderungen

Anforderung 1 - Identifikation des bevorzugten Fachs (10 Punkte)

Identifizieren Sie, welches das Fach mit der größten Präferenz im Jahr 2023 am COLEGIUL NATIONAL "UNIREA" FOCSANI war, wenn wir das Fach LIMBA ROMANA ausschließen, das für alle Kandidaten obligatorisch war.

Anforderung 2 - Identifikation des erfolgreichen Jahres für Informatik (10 Punkte)

Identifizieren Sie, in welchem Jahr aus dem Zeitraum 2014-2022 das Fach INFORMATICA MI C-C++ die größte Popularität am COLEGIUL NATIONAL "UNIREA" FOCSANI hatte. Wir betrachten, dass die Popularität durch den Prozentsatz aus der Spalte preferinta_materie gegeben ist (je höher dieser Prozentsatz, desto populärer betrachten wir das Fach).

Anforderung 3 - Schätzung der Gymnasiumsleistung (40 Punkte)

Verwenden Sie die verfügbaren Informationen in der Datei train.csv, um den Wert des erzielten Durchschnitts für jede Zeile in der Datei test.csv (Jahr 2023) zu schätzen.

Für diese Anforderung können Sie jede Methode der statistischen Analyse oder Modellierung basierend auf historischen Daten verwenden, unter Berücksichtigung von:

• dem analysierten Fach,
• der Geschichte des Gymnasiums,
• der zeitlichen Entwicklung der Ergebnisse,
• dem allgemeinen Kontext der Leistungen auf Kreis- oder nationaler Ebene.

Das Ziel ist es, Schätzungen zu erhalten, die den realen Werten so nahe wie möglich kommen.

Anforderung 4 - Identifikation atypischer Ergebnisse (40 Punkte)

Analysieren Sie die historischen Daten aus dem Zeitraum 2014–2022 und entscheiden Sie für jede Zeile in der Datei test.csv, ob das entsprechende Ergebnis für das Jahr 2023:

• ein normales ist, oder
• ein atypisches, das sich signifikant vom gewöhnlichen Verhalten abweicht.

Bei der Entscheidungsfindung können Sie berücksichtigen:

• die Geschichte des jeweiligen Gymnasiums,
• die Variationen von Jahr zu Jahr,
• die Unterschiede zwischen den Fächern,
• den Vergleich mit anderen ähnlichen Gymnasien.

Das Endergebnis für jede Zeile muss ein binäres Label sein:

• 0 - normales Ergebnis
• 1 - atypisches Ergebnis

Format der Einreichung

Für die automatische Bewertung müssen Sie eine Datei im csv-Format mit folgender Struktur hochladen:

• id – Kennung der Zeile (entsprechend der aus test.csv)
  • für Aufgabe 1 verwenden Sie den Wert 1 für id
  • für Aufgabe 2 verwenden Sie den Wert 2 für id
• subtaskID – Kennung der Anforderung:
  • 1 für die Identifikation des bevorzugten Fachs (Anforderung 1)
  • 2 für die Identifikation des erfolgreichen Jahres für Informatik (Anforderung 2)
  • 3 für die Schätzung des Durchschnitts (Anforderung 3)
  • 4 für die Identifikation atypischer Ergebnisse (Anforderung 4)
• answer – Antwort entsprechend der Anforderung:
  • für subtaskID = 1: Name des Fachs genau so, wie es im Dataset erscheint
  • für subtaskID = 2: das Jahr
  • für subtaskID = 3: ein numerischer Wert (Schätzung des Durchschnitts)
  • für subtaskID = 4: 0 oder 1

Bewertung

Für die Anforderungen 1–2 wird exakt bewertet (durch Vergleich).

Für Anforderung 3 erfolgt die Bewertung mit Mean Absolute Error (MAE).

Regeln:

• MAE < 0.3 → maximale Punktzahl
• MAE > 1.0 → 0 Punkte
• Für Werte zwischen diesen beiden Schwellenwerten wird die Punktzahl proportional vergeben.

Für Anforderung 4 wird die Punktzahl nach folgenden Regeln vergeben:

• AUC ≥ 0.95 → 40 Punkte
• AUC ≤ 0.70 → 0 Punkte
• Intervall dazwischen: proportionale Punktzahl

⬇️ Starter Kit herunterladen