BAC sous la loupe

Contexte

Au fil des années, les résultats de l'examen du Baccalauréat offrent une image détaillée de la performance des lycées de Roumanie. En analysant des données historiques sur plusieurs années, nous pouvons découvrir des tendances, l'évolution de la performance scolaire et, parfois, des résultats qui sortent du schéma habituel.

Dans ce contexte, l'objectif de ce problème est d'analyser statistiquement la performance des lycées au Baccalauréat, de construire des modèles prédictifs et d'identifier des résultats atypiques en utilisant des méthodes de Machine Learning.

Description des données

Pour résoudre les exigences de ce problème, vous avez accès à un dataset structuré sous la forme de deux fichiers csv : train.csv et test.csv. Cet ensemble de données contient des résultats agrégés des lycées à différentes épreuves de l'examen du Baccalauréat, pour la période 2014–2023.

Chaque ligne de l'ensemble de données (qu'il s'agisse de l'ensemble d'entraînement ou de celui pour les tests) représente les résultats d'un lycée, pour une matière, dans une année.

Colonnes disponibles :

• id – identifiant unique de la ligne
• an – année de l'examen
• liceu – nom du lycée
• judet – département dans lequel se trouve le lycée
• materie – discipline du Baccalauréat
• medie – moyenne des notes obtenues par les élèves du lycée à la discipline respective
• procent_reusita – pourcentage d'élèves qui ont réussi l'épreuve
• numar_candidati – nombre de candidats
• preferinta_materie – pourcentage d'élèves qui ont choisi la discipline respective
• anomalie - peut avoir la valeur 0 s'il ne s'agit pas d'une situation anormale ou la valeur 1 si la situation est inhabituelle.

Observation : Pour chaque lycée, nous avons aussi des statistiques générales. Pour celles-ci, dans la colonne materie nous trouvons la valeur GENERAL.

Le fichier train.csv contient les statistiques provenant de la période 2014-2022, et le fichier test.csv contient les données pour l'année 2023, mais les colonnes medie et anomalie ne sont pas disponibles.

Exigences

Exigence 1 - Identification de la matière préférée (10 points)

Identifiez quelle a été la matière avec la plus grande préférence en 2023 au COLEGIUL NATIONAL "UNIREA" FOCSANI, si nous excluons la matière LIMBA ROMANA qui était obligatoire pour tous les candidats.

Exigence 2 - Identification de l'année prospère pour l'Informatique (10 points)

Identifiez en quelle année de la période 2014-2022 la matière INFORMATICA MI C-C++ a eu la plus grande popularité au COLEGIUL NATIONAL "UNIREA" FOCSANI. Nous considérons que la popularité est donnée par le pourcentage de la colonne preferinta_materie (plus ce pourcentage est élevé, plus nous considérerons que la matière a été populaire).

Exigence 3 - Estimation de la performance des lycées (40 points)

En utilisant les informations disponibles dans le fichier train.csv, estimez la valeur de la moyenne obtenue pour chaque ligne du fichier test.csv (année 2023).

Pour cette exigence, vous pouvez utiliser toute méthode d'analyse statistique ou de modélisation basée sur les données historiques, en tenant compte de :

• la matière analysée,
• l'historique du lycée,
• l'évolution dans le temps des résultats,
• le contexte général des performances au niveau départemental ou national.

L'objectif est d'obtenir des estimations aussi proches que possible des valeurs réelles.

Exigence 4 - Identification des résultats atypiques (40 points)

Analysez les données historiques de la période 2014–2022 et décidez, pour chaque ligne du fichier test.csv, si le résultat correspondant à l'année 2023 est :

• un résultat normal, ou
• un résultat atypique, qui s'écarte significativement du comportement habituel.

Dans la prise de décision, vous pouvez tenir compte de :

• l'historique du lycée respectif,
• les variations d'une année à l'autre,
• les différences entre matières,
• la comparaison avec d'autres lycées similaires.

Le résultat final pour chaque ligne doit être une étiquette binaire :

• 0 - résultat normal
• 1 - résultat atypique

Format de la soumission

Pour l'évaluation automatique, vous devez télécharger un fichier au format csv avec la structure suivante :

• id – identifiant de la ligne (correspondant à celui de test.csv)
  • pour la tâche 1, vous utiliserez la valeur 1 pour id
  • pour la tâche 2, vous utiliserez la valeur 2 pour id
• subtaskID – identifiant de l'exigence :
  • 1 pour l'identification de la matière préférée (exigence 1)
  • 2 pour l'identification de l'année prospère pour l'Informatique (exigence 2)
  • 3 pour l'estimation de la moyenne (exigence 3)
  • 4 pour l'identification des résultats atypiques (exigence 4)
• answer – réponse correspondant à l'exigence :
  • pour subtaskID = 1 : nom de la matière exactement comme elle apparaît dans le dataset
  • pour subtaskID = 2 : l'année
  • pour subtaskID = 3 : une valeur numérique (estimation de la moyenne)
  • pour subtaskID = 4 : 0 ou 1

Évaluation

Pour les exigences 1–2, l'évaluation se fait de manière exacte (par comparaison).

Pour l'exigence 3, l'évaluation se fait en utilisant Mean Absolute Error (MAE).

Règles :

• MAE < 0.3 → score maximum
• MAE > 1.0 → 0 points
• Pour les valeurs entre ces deux seuils, le score est accordé proportionnellement.

Pour l'exigence 4, le score est accordé selon les règles suivantes :

• AUC ≥ 0.95 → 40 points
• AUC ≤ 0.70 → 0 points
• L'intervalle entre eux : score proportionnel

⬇️ Télécharger le Starter Kit