کاربست فنون داده‌ کاوی در تبیین صحت مدل ‌های پیش بینی افت تحصیلی دانشجویان

مقدمه: افت تحصیلی دانشجویان یکی از آفت‌ های سیستم آموزش عالی است و وجود سیستمی برای پیش ‌بینی و در نتیجه پیشگیری از وقوع آن، می ‌تواند نقش تعیین کننده‌ ای در ارتقای کیفیت آموزش باشد. استفاده از داده‌ کاوی آموزشی، از موثرترین راهبردهای پایش و بهبود کیفیت آموزش است. این مطالعه با هدف مقایسه فنون مختلف داده‌ کاوی و مشخص ساختن بهترین مدل پیش‌ بینی انجام شده است. مواد و‌ روش‌ ها: جامعه پژوهش، کلیه دانشجویان دوره کارشناسی رشته های علوم آزمایشگاهی، مدیریت اطلاعات سلامت و تکنولوژی علوم پرتوی دانشگاه علوم پزشکی و خدمات بهداشتی درمانی تهران در سال تحصیلی 98-1397 بودند و نمونه ‌ای به حجم 500 نفر انتخاب شد. بعد از اجرا و کنار گذاشتن پرسش نامه ‌های مخدوش، 153 پرسش نامه از رشته علوم آزمایشگاهی، 85 پرسش نامه مدیریت اطلاعات سلامت، و 73 پرسش نامه رشته تکنولوژی علوم پرتوی مورد تحلیل قرار گرفت. ابزار جمع‌ آوری داده ‌ها، پرسش نامه سنجش افت‌ تحصیلی دانشجویان با ضریب پایایی 971/0 بود که روایی آن توسط متخصصان تایید شد. داده ‌های جمع ‌آوری شده از دانشجویان با الگوریتم ‌های رگرسیون لجستیک، درخت تصمیم، شبکه عصبی، شبکه بیزین و ماشین بردار پشتیبان و با استفاده از نرم افزار SPPSS vol.16، SMART_PLS-3 و SPPSS_MODELLER-18  کلمنتاین تحلیل ‌شد. یافته ‌های پژوهش:‌ یافته‌ ها نشان ‌داد، میزان افت تحصیلی در رشته‌ های مختلف در سطح معناداری 05/0 متفاوت است. در رشته علوم آزمایشگاهی، میزان صحت مدل پیش بین داده ‌ها در الگوریتم‌ های متفاوت به ترتیب بهترین مدل پیش‌بینی عبارت است از: الگوریتم‌ های درخت ‌تصمیم و شبکه ‌بیز، ماشین ‌بردار‌ پشتیبان، شبکه‌ عصبی و رگرسیون‌ لجستیک. در رشته مدیریت اطلاعات سلامت و تکنولوژی علوم پرتوی میزان صحت مدل پیش بین داده ‌ها در الگوریتم‌ های متفاوت به ترتیب بهترین مدل پیش ‌بینی عبارت است از: الگوریتم‌ شبکه ‌بیز، ماشین ‌بردار ‌پشتیبان، شبکه‌ عصبی و رگرسیون ‌لجستیک. الگوریتم درخت تصمیم جوابی نداشت. هم چنین آزمون خی ‌دو نشان داد تفاوت موجود بین الگوریتم‌ های به دست آمده از لحاظ آماری در رشته علوم آزمایشگاهی در سطح 05/0 معنادار نیست، در رشته مدیریت اطلاعات و در رشته تکنولوژی علوم پرتوی در سطح 01/0 معنادار است. بحث‌ و نتیجه ‌گیری: نتایج بیان‌ کننده این‌است که در داده‌ های واقعی مدل رگرسیون‌لجستیک توان پیش‌ بین کمتری نسبت‌ به مدل‌ های شبکه ‌ای داراست و در هر مجموعه از داده‌ ها، الگوریتم پیش ‌بین مناسب داده را باید کاوش‌کرد. الگوریتم های پیش ‌بین، به‌ خوبی توان پیش ‌بینی افت تحصیلی را در هر سه رشته‌ مورد بررسی در دانشکده پیراپزشکی را داراست و می توان از آن، در امر آموزش دانشجویان پزشکی و پیراپزشکی به منظور شناسایی دانشجویان در معرض خطر افت ‌تحصیلی جهت انجام اقدامات مربوط به پیشگیری، استفاده کرد.

کلیدواژه ها:

Academic performance ، Academic failure ، Data mining ، Educational data mining ، عملکرد تحصیلی ، افت تحصیلی ، داده‌ کاوی ، داده ‌کاوی آموزشی