Dự đoán kết quả sớm là rất quan trọng đối với các nhà giáo dục để xác định những học sinh đang gặp khó khăn. Điều này đặc biệt quan trọng trong một trường đại học nơi sinh viên giỏi có thể có thành tích kém do nhiều thách thức bên ngoài. Tuy nhiên, có sự khác biệt rất lớn về chương trình, chính sách cũng như văn hóa giữa các trường đại học. Những khác biệt này góp phần đáng kể vào kết quả học tập của học sinh. Do đó, để dự đoán chính xác kết quả học tập của sinh viên, việc thực hiện nghiên cứu cho từng trường đại học là cần thiết. Trong bài báo này, nhóm tác giả đã phân tích hồ sơ của gần 400 sinh viên trong 7 học kỳ của cùng một chuyên ngành tại Trường Đại học Bách khoa Hà Nội. Vì chính sách bảo mật thông tin của nhà trường, nhóm tác giả chỉ nhận được các thông tin về kết quả học tập của sinh viên. Ngoài ra, do kích 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 của tập dữ liệu. Sau đó, dữ liệu được đưa vào một mạng nơ-ron học sâu để dự đoán kết quả học tập của học sinh trong năm thứ 4 dựa trên điểm số của các năm trước đó. Kết quả thu về cho thấy mạng học sâu có thể dự báo chính xác kết quả học tập năm thứ 4 đến 77%.