پیش بینی و تجزیه و تحلیل عملکرد دانش آموزان از طریق تکنیک های داده کاوی برای بهبود عملکرد تحصیلی

پیش زمینه و اهداف: امروزه پیشرفت های چشمگیر در زمینه فناوری اطلاعات و زمینه ارتباطات در جوامع مختلف مشاهده می شود. با توجه به اینکه این پیشرفت ها ، دانشگاه ها به عنوان یک موسسه پیشرو در زمینه علوم ، به سمت فرآیندهای الکترونیکی در مدیریت آموزش و محیط های آموزشی حرکت کرده اند ، پایگاه داده هایی با اطلاعات زیادی وجود دارد. با تجزیه و تحلیل این داده های گسترده از سیستم های آموزشی ، می توان روش هایی را برای بهبود وضعیت آموزشی دانش آموزان ارائه داد. داده های آموزشی کاوی در صدد کشف دانش موجود در داده های سیستم آموزشی است. یکی از کاربردهای داده های آموزشی کاوی ، پیش بینی عملکرد تحصیلی دانشجویان است. پیش بینی عملکرد تحصیلی دانشجویان و ارائه راه حل های مفید در موفقیت سیستم های آموزشی از اهمیت ویژه ای برخوردار است و می تواند به مدیران کمک کند تا تصمیمات درستی را برای افزایش کارآیی سیستم آموزشی و عملکرد بهتر دانش آموزان بگیرند. هدف از این مقاله شناسایی شاخص های مؤثر در مورد عملکرد دانشگاهی ، پیش بینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک های داده کاوی و در نهایت ارائه یک روند جدید برای اصلاح انتخاب واحد و استراتژی های آموزشی برای افزایش کارآیی سیستم آموزش است. مواد و روشها: مراحل این تحقیق با توجه به مدل واضح تعیین می شود. در تحقیقات فعلی ، از پایگاه داده های حاوی 9 مجموعه داده های تخصصی در مهندسی صنایع استفاده شده است. درجه دانش آموزان مدرک لیسانس بود. شاخص های مؤثر بر عملکرد دانش آموزان بر اساس تحقیقات قبلی و نظرات متخصص مشخص شده است. داده های دموگرافیک و سوابق دانشگاهی دانشجویان مقطع کارشناسی در پایگاه داده وارد می شوند. پس از پیش پردازش داده ها ، 13 ویژگی انتخاب شده است ، مدل های مختلفی برای پیش بینی وضعیت دانشگاهی دانش آموزان در ترم بعدی پیشنهاد شده است. سپس ، مقایسه بین نتایج 4 الگوریتم مختلف انجام شده است. یافته ها: تمام 13 ویژگی با توجه به افزایش اطلاعات و افزایش اطلاعات مشخص می شوند. این 13 ویژگی به شرح زیر است: GPA ، کل واحدهای تصویب شده ، تعداد شرایط مشروط ، نوع پذیرش ، وضعیت تأهل ، جنسیت ، سال پذیرش دانشگاه ، محل زندگی ، سن ، ترم فعلی ، نمره دوره پیش نیاز ، مربی دوره ، تکرار دورهبشربین 4 مدل در نظر گرفته شده ، الگوریتم تقویت Logit به عنوان بهترین مدل در طبقه بندی در دو کلاس و چند طبقه با توجه به میزان دقت و ROC شناخته می شود.

نتیجه گیری: به دلیل عملکرد قابل قبول الگوریتم های داده کاوی ، استفاده از این الگوریتم ها در پیش بینی عملکرد دانش آموزان مناسب است و از مدل پیشنهادی می توان به عنوان ابزاری پشتیبانی برای تصمیم گیری در سیستم های آموزشی استفاده کرد. سرانجام ، طبق نتایج به دست آمده و نظر کارشناسان دانشگاهی ، روند انتخاب واحد دوباره طراحی شد. مدل پیشنهادی می تواند به عنوان یک ابزار پشتیبانی از تصمیم گیری در سیستم های آموزشی مورد استفاده قرار گیرد. سرانجام ، به دلیل نتایج به دست آمده و نظرات کارشناسان دانشگاهی ، روند انتخاب واحد دوباره طراحی شد. فرایند ارائه شده از داده های موجود در سیستم های آموزشی و داده های کاوی استفاده می کند ، دانش مفیدی را برای تصمیم گیرندگان برای تصمیم گیری درست و مناسب فراهم می کند. تصمیم گیرندگان می توانند با بررسی پیش بینی های انجام شده توسط الگوریتم داده کاوی و به دست آوردن اطلاعات مفید ، تصمیمات مناسب بگیرند تا سیستم آموزشی کارآمدتر شود.

• کلید واژه ها
• داده های آموزشی کاوی
• انتخاب واحد
• عملکرد تحصیلی

افزایش ورود به سیستم

20. 1001. 1. 20080441. 1399. 14. 4. 7. 1

موضوعات اصلی

کپی رایت © 2020 نویسنده (ها). این یک مقاله دسترسی آزاد است که تحت شرایط انتساب Creative Commons (CC توسط 4. 0) توزیع شده است ، که تا زمانی که نویسندگان و منبع اصلی ذکر شوند ، امکان استفاده ، توزیع و تولید مثل در هر رسانه را فراهم می کند. از نویسندگان یا ناشران مجوز لازم نیست.

منابع

[1] Pokay P ، Blumenfeld PC. پیش بینی موفقیت در اوایل و اواخر ترم: نقش انگیزه و استفاده از استراتژی های یادگیری. مجله روانشناسی آموزشی. 1990 ؛82 (1): 41-50.

[6] Akour I. عوامل مؤثر بر سواد رایانه دانشکده و استفاده در اردن: تجزیه و تحلیل چند متغیره. D. B. A. پایان نامه. دانشگاه فنی لوئیزیانا ، ایالات متحده ، لوئیزیانا ؛2010.

[10] یانگ م. تکنیک های داده کاوی اعمال شده برای داده های ثبت نام دانشگاه زن تگزاس - داده ها چه می توانند به ما بگویند؟[پایاننامهی کارشناسی ارشد]. ایالات متحده: دانشگاه زن Texaz ؛2006.

[19] شهیری AM ، حسین دبلیو ، رشید NA. بررسی پیش بینی عملکرد دانش آموز با استفاده از تکنیک های داده کاوی. سومین کنفرانس بین المللی سیستم های اطلاعاتی. علوم کامپیوتر رویه. 2015 ؛72: 414-422.

[25] Strecht P ، Cruz L ، Soares C ، Merdes-Moreria J ، Abren R. یک مطالعه مقایسه ای الگوریتم های طبقه بندی و رگرسیون برای الگوبرداری از عملکرد دانشگاهی دانشجویان. مادرید ، اسپانیا: مقاله ارائه شده در هشتمین کنفرانس بین المللی کاوی داده های آموزشی. 392-395 ؛2015.

[27] Nghe TN ، Janecek P ، Haddawy P. تجزیه و تحلیل مقایسه ای از تکنیک ها برای پیش بینی عملکرد دانشگاهی. مقاله ارائه شده در 37 کنفرانس ASEE /IEEE در کنفرانس آموزش و پرورش ؛2007.

[28] Kabakchieva D ، Stefanova K ، Kismov Vs. تجزیه و تحلیل داده های دانشگاه برای تعیین پروفایل دانشجویی و پیش بینی عملکرد. در چهارمین کنفرانس بین المللی در مورد داده های آموزشی کاوی. هلند؛2011.

[32] Kaur P ، Singh M ، Josan GS. طبقه بندی و پیش بینی الگوریتم های داده کاوی برای پیش بینی زبان آموزان آهسته در بخش آموزش. در سومین کنفرانس بین المللی روندهای اخیر در محاسبات 2015 (ICRTC-2015). علوم کامپیوتر رویه. 2015 ؛57: 500-508.

[39] Tari M ، Minai B ، Farahi A ، Niknam Pirzadeh M. پیش بینی عملکرد آموزشی با استفاده از الگوریتم سبد خرید ، شبکه عصبی و دقت پیش بینی با استفاده از مدل ترکیبی. سومین کنفرانس ایران در زمینه مهندسی برق و الکترونیک (ICEEE2011) ، گناباد ؛2011. فارسی.

[41] Rahmati A ، Lesani M ، Khalilzadeh R. عوامل مرتبط با دانش آموزان شهید بهنار کرمان در سال 2009-2010 و مدل تحلیلی آن. کرمان: دانشگاه شهید باهنار ؛2012. فارسی.

[43] Shukor NA ، Tasir Z ، Meijden HV. بررسی اثربخشی یادگیری آنلاین با استفاده از داده کاوی. کنفرانس جهانی تجارت و علوم اجتماعی. کوالالامپور؛2014.

[47] Gitue A. الگوریتم هوشمند مشاوره در مورد انتخاب واحدهای دانشجویی بر اساس تجزیه و تحلیل نمودار دوره ها ، پیش بینی نمرات و الگوی انتخاب شده توسط دانشجویان قبلی است. دانشگاه کوردستان ؛2014. فارسی.

[49] Wirth R ، Hipp J. Crisp-DM: به سمت یک مدل فرآیند استاندارد برای داده کاوی. در مجموعه مقالات چهارمین کنفرانس بین المللی در مورد کاربرد عملی کشف دانش و داده کاوی ؛2000