:K-NNIRA الگوریتم یادگیرنده انتساب ویژگی های بدون مقدار علمی -اخلاقی دانش آموزان در کلان داده های آموزش و پرورش

کلان داده به معنای دارایی های اطلاعاتی یک مجموعه یا سازمان است که حجم بالا داشته و با سرعت زیاد تولید می شوند یا تنوع گسترده دارند. چالش های موجود در ابتدا، ندادن اطلاعات درست توسط والدین و خود دانش آموز و دیگری، عدم بررسی دقیق داده ها می باشد. در پیشینه تحقیق موجود دراین مقاله ، ابتدا ویژگی دانش آموزان به دست آمده است و سپس ، توسط طبقه بندهای مختلفی همچون دودویی و -Kنزدیک ترین همسایه به شیوه انتساب، استفاده شده است . در این مقاله ، ابتدا فرم های نظرسنجی برای ثبت اطلاعات اولیه مبتنی بر شناخت دانش آموز طراحی شده است که براساس آن، دانش آموزان از لحاظ علمی -اخلاقی بررسی می شوند. به علاوه، مجموعه دانش آموزانی که اطلاعات کاملی از آنان در دسترس نیست و ارزیابی علمی -اخلاقی آنان توسط مسئولین آموزش و پروش را با اختلال روبرو می کند، ازطریق زیرمجموعه خاص دانش آموزی و همسالان آن ها، ویژگی های بدون مقدار دانش آموز، توسط الگوریتم پیشنهادی یادگیرنده طبقه بند K-NNIRA انتساب داده می شوند. منبع داده ارایه شده توسط گروه والدین ، معاونین و دبیران به طور فیزیکی جمع آوری شده و برای تایید اثربخشی روش پیشنهادی، ارزیابی براساس معیارهای دقت و صحت انجام شده است . انتساب ویژگی های بدون مقدار و داده های تکمیل شده در کلان داده آموزش و پرورش، توسط طبقه بند -Kنزدیک ترین همسایه سنتی و طبقه بند پیشنهادی مقایسه شده است . ارزیابی نتایج نشان می دهد که طبقه بند پیشنهادی، براساس معیارهای دقت و صحت ، عملکرد مناسب تری نسبت به طبقه بند -Kنزدیک ترین همسایه برروی ویژگی های بدون مقدار داشته است .

کلیدواژه ها:

کلان داده ، داده بدون مقدار ، -Kنزدیک ترین همسایه ، کلان داده آموزش و پرورش ، ارزیابی علمی -اخلاقی دانش آموزان.