یک روش مبتنی بر یادگیری ماشین برای ساخت پروفایل های گروهی از دانشجویان

این مطالعه با ساخت یک مدل پیشبینی برای پیشبینی طبقه بندی دانشجویان آینده شرکت کننده در نظرسنجی، پروفایلهای دانشجویان دانشگاه را تسهیل میکند و در نتیجه سودمندی و اثربخشی رویکرد پرسشنامه را افزایش می دهد. در زمینه دگرگونی دیجیتالی مداوم پردیس ها، موسسات آموزش عالی به طور فزاینده ای توسعه آموزشی دانشجویان را در اولویت قرار می دهند. این تغییر با بلوغ فناوری کلان داده ها همسو می شود و محققان را بر آن می دارد تا بر پروفایل تحصیلی دانشجویان دانشگاه تمرکز کنند. در حالی که تحقیقات قبلی در این زمینه، به ویژه مطالعات خارجی، بر استخراج داده ها از زمینه های یادگیری خاص تمرکز دارند و اغلب بر منابع دادهای تک تکیه می کنند، مطالعه ما به این محدودیتها می پردازد. ما از یک رویکرد جامع استفاده می کنیم که شامل نظرسنجی های پرسشنامه ها است تا مجموعه هایی از داده های دانش آموز را به دست آوریم. با در نظر گرفتن ویژگی های مختلف دانشجویی، ما یک نمایه کل نگر ازجمعیت دانشجویی ایجاد می کنیم. علاوه بر این، تکنیک های خوشه بندی من برای توسعه یک مدل پیشبینی طبقه بندی شده است. در تجزیه و تحلیل خوشه بندی خود، از الگوریتم K-means برای گروه بندی داده های نظرسنجی دانش آموز استفاده می کنیم. نتایج چهار نمایه دانش آموز متمایز را نشان می دهد: یادگیرندگان کوشا، افراد با جدیت، موفقیت آمیزان متین، و مدافعان اخلاقی. این پروفایلها متعاقبا برای برچسب گذاری گروههای دانشجویی استفاده می شوند. برای کار طبقه بندی، ما از این برچسب ها برای ایجاد یک مدل پیشبینی در شبکه عصبی Back Propagation با هدف انتساب دانش آموزان به گروههای مربوطه استفاده می کنیم. از طریق بهینه سازی دقیق مدل، دقت طبقه بندی چشمگیر ۹۰.۲۲٪ به دست می آید. پژوهش ما دیدگاه جدیدی را ارائه میکند و به عنوان یک مرجع روش شناختی ارزشمند برای نمایه سازی دانشجویان دانشگاه عمل می کند.

کلیدواژه ها:

پروفایل گروهی ، شبکه عصبی ، پیشبینی طبقه بندی k-meansکلمات کلیدی : پرسشنامه ، خوشه بندی