پیشبینی و تحلیل عملکرد دانشجویان به کمک تکنیکهای دادهکاوی به منظور بهبود عملکرد تحصیلی
- سال انتشار: 1399
- محل انتشار: فصلنامه فناوری آموزش، دوره: 14، شماره: 4
- کد COI اختصاصی: JR_JEIT-14-4_007
- زبان مقاله: فارسی
- تعداد مشاهده: 441
نویسندگان
گروه مهندسی صنایع ، دانشکده فنی و مهندسی، دانشگاه تربت حیدریه، تربت حیدریه ، ایران
گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
چکیده
پیشینه و اهداف: در حال حاضر پیشرفتهای قابل توجهی در عرصه فناوری اطلاعات و ارتباطات در جوامع مختلف دیده میشود. با توجه به این پیشرفتها، دانشگاهها به عنوان یک نهاد پیشرو در عرصه علم، به سمت فرآیندهای الکترونیکی در مسیر مدیریت آموزش حرکت نمودهاند و در محیطهای آموزشی، پایگاههای اطلاعاتی با حجم اطلاعات زیاد وجود دارد. با تحلیل این دادههای انبوه سیستمهای آموزشی، میتوان روشهایی را برای بهبود وضعیت آموزشی دانشجویان ارایه داد. دادهکاوی آموزشی به دنبال کشف دانش موجود در دادههای سیستم آموزشی بودهاست. یکی از کاربردهای دادهکاوی آموزشی، پیشبینی عملکرد تحصیلی دانشجویان است. پیشبینی عملکرد تحصیلی دانشجویان و ارائه راهکارهای مفید از اهمیت ویژهای در موفقیت نظامهای آموزشی برخوردار است و میتواند به تصمیمگیری درست مدیران، جهت افزایش بازدهی سیستم آموزشی و عملکرد بهتر دانشجویان، کمک شایانی کند. هدف مقاله حاضر، شناسایی شاخصهای موثر بر عملکرد تحصیلی، پیشبینی وضعیت تحصیلی دانشجویان با استفاده از تکنیکهای دادهکاوی و در نهایت، ارائه روندی جدید برای اصلاح روش انتخاب واحد و راهکارهای آموزشی در جهت افزایش کارایی سیستم آموزش است. روشها: گامهای این پژوهش بر اساس مدل Crisp تعیین شده است. در پژوهش حاضر، پایگاهدادهای شامل ۹ مجموعه داده از درسهای تخصصی رشته مهندسی صنایع استفاده شدند. دوره تحصیلی دانشجویان در نظر گرفته شده کارشناسی بودهاست. شاخصهای تاثیرگذار بر عملکرد دانشجویان، بر اساس تحقیقات قبلی و نظر خبرگان شناسایی شدهاست. دادههای جمعیتشناختی و سوابق تحصیلی دانشجویان مقطع کارشناسی رشته مهندسی صنایع وارد پایگاه داده شدند. پس از پیشپردازش دادهها، ۱۳ شاخص در نظر گرفته شد و با کمک الگوریتمهای مختلف، مدلهای مختلفی برای پیشبینی وضعیت تحصیلی دانشجویان در نیمسال بعدی ارائه گردید. مدلهای شبکه بیزی، لوجیت بوست، پارت و درخت تصمیم به عنوان پرکاربردترین الگوریتم های دادهکاوی آموزشی در این پژوهش مورد استفاده قرار گرفته و جهت بررسی عملکرد الگوریتمها از دو شاخص صحت و سطح زیر نمودار عملکرد استفاده شد. ۹ پایگاه داده دروس در دو حالت دو و چند کلاسه در نظر گرفتهشدند. در ادامه، مقایسهای میان نتایج حاصل از ۴ الگوریتم مختلف صورت گرفتهاست. یافتهها: با توجه به شاخصهای بهره اطلاعات و نسبت بهره، تمامی ۱۳ شاخص در نظر گرفته شده، به عنوان شاخصهای موثر شناسایی شدند. این شاخصها عبارتند از: معدل، کل واحدهای گذرانده، تعداد ترمهای مشروطی، نوع پذیرش، وضعیت تاهل، جنسیت، سال ورود به دانشگاه، سن، محل زندگی، ترم حاضر، نمره درس پیشنیاز، استاد درس، تکرارد در اخذ واحد. از بین ۴ مدل در نظر گرفته شده، بهترین مدل در دستهبندی و پیشبینی عملکرد آموزشی دانشجویان ، الگوریتم Logit Boost شناخته شد. این الگوریتم، در هر دو حالت دو و چندکلاسه براساس شاخصهای درصد صحت و سطح زیر نمودار ROC عملکرد بهتری از خود نشان دادهاست. نتیجهگیری: با توجه به عملکرد قابل قبول الگوریتمهای دادهکاوی، استفاده از این الگوریتمها در پیشبینی عملکرد دانشجویان مناسب است و میتوان مدل پیشنهادی را به عنوان یک ابزار پشتیبان تصمیمگیری در سیستمهای آموزشی مورد استفاده قرار داد. در نهایت، با توجه به نتایج بهدست آمده و نظرخواهی از خبرگان دانشگاهی، فرایند انتخاب واحد، بازطراحی گردید. فرایند ارایه شده با استفاده از دادههای موجود در سیستمهای آموزشی و علم دادهکاوی، دانش مفیدی به تصمیمگیرندگان جهت تصمیم صحیح و مناسب ارایه میدهد. تصمیمگیرندگان میتوانند با بررسی پیشبینیهای انجام شده توسط الگوریتم دادهکاوی و کسب اطلاعات مفید، تصمیمات مناسب اخذ نمایند، تا سیستم آموزشی بازدهی بیشتری داشتهباشد.کلیدواژه ها
دادهکاوی آموزشی, انتخاب واحد, عملکرد تحصیلیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.