Dự đoán kết quả sớm là rất quan trọng đối với các nhà giáo dục để xác định những họcsinh đang gặp khó khăn. Điều này đặc biệt quan trọng trong một trường đại học nơi sinh viêngiỏi có thể có thành tích kém do nhiều thách thức bên ngoài. Tuy nhiên, có sự khác biệt rất lớnvề chương trình, chính sách cũng như văn hóa giữa các trường đại học. Những khác biệt nàygóp phần đáng kể vào kết quả học tập của học sinh. Do đó, để dự đoán chính xác kết quả họctập của sinh viên, việc thực hiện nghiên cứu cho từng trường đại học là cần thiết. Trong bài báonày, nhóm tác giả đã phân tích hồ sơ của gần 400 sinh viên trong 7 học kỳ của cùng mộtchuyên ngành tại Trường Đại học Bách khoa Hà Nội. Vì chính sách bảo mật thông tin của nhàtrường, nhóm tác giả chỉ nhận được các thông tin về kết quả học tập của sinh viên. Ngoài ra, dokích thước bộ dữ liệu còn khiêm tốn, sự mất cân bằng trong dữ liệu là hoàn toàn có thể xảy ra.Do đó, chúng tôi đề xuất sử dụng thuật toán Borderline SMOTE để giảm sự mất cân bằng củatập dữ liệu. Sau đó, dữ liệu được đưa vào một mạng nơ-ron học sâu để dự đoán kết quả học tậpcủa học sinh trong năm thứ 4 dựa trên điểm số của các năm trước đó. Kết quả thu về cho thấymạng học sâu có thể dự báo chính xác kết quả học tập năm thứ 4 đến 77%.Early performance prediction is crucial for educators to identify struggling students. Thisis especially important in a university where good students can perform badly due to multipleexternal challenges. However, there are huge differences in terms of programs, policies as wellas culture between universities. These differences contribute significantly to students’academic performance. Thus, it is important to address different universities separately topredict students’ performance accurately. In this paper, an analysis of nearly 400 students’records across 7 semesters of the same major in Hanoi University of Science and Technology ispresented. Because of the university privacy policy, it is impossible to obtain studentsinformation other than their academic results. In addition, due to the modest size of thedatasets, imbalanced data is expected. Hence, we propose to use the Borderline SMOTEalgorithm to reduce the dataset’s imbalanced distribution. The data is then fed into a deepneural network to predict students’ performance of the 4th year based on their previous years’scores. A promising result of 77% accuracy is achieved.