این پژوهش، رویکرد نوینی را برای ارتقای دقت طبقه‌بندی ترک تحصیل دانشجویان از طریق تلفیق تکنیک‌های مبتنی بر گراف و تشخیص اجتماع با یادگیری ماشین معرفی می‌نماید. این مقاله، پتانسیل دریافت روابط پیچیده در مجموعه داده‌های ترک تحصیل دانشجویان را با استفاده از تشخیص اجتماع و رمزگذاری عضویت آن به عنوان یک مجموعه ویژگی، به منظور غنی‌سازی ویژگی‌های موجود فعلی به عنوان ورودی طبقه‌بندی‌کننده‌های یادگیری ماشین، بررسی می‌کند. این مطالعه از مجموعه داده جامع دوره‌های آموزشی آنلاین بزرگ‌مقیاس بهره می‌برد و از الگوریتم‌های تبدیل به گراف، تشخیص اجتماع و یادگیری ماشین برای تجزیه و تحلیل داده‌ها استفاده می‌نماید. نتایج حاکی از آن است که رویکرد پیشنهادی از مدل‌های یادگیری ماشین سنتی پیشی گرفته و به دقت 99.5 درصد دست می‌یابد. این تحقیق بر پتانسیل تکنیک‌های مبتنی بر گراف در تقویت طبقه‌بندی ترک تحصیل دانشجویان تأکید می‌ورزد و بینش‌هایی را در خصوص فرصت‌ها، محدودیت‌ها و جهت‌گیری‌های تحقیقات آتی در این حوزه ارائه می‌دهد. این مطالعه، شواهد قانع‌کننده‌ای در مورد اثربخشی رویکردهای تشخیص اجتماع در زمینه طبقه‌بندی ترک تحصیل دانشجویان، همراه با مفاهیمی برای تشخیص و پیشگیری، فراهم می‌آورد.
