تشخیص اجتماع برای بهبود پیش بینی انصراف از تحصیل دانشجویان مبتنی بر یادگیری ماشین

این پژوهش، رویکرد نوینی را برای ارتقای دقت طبقه بندی ترک تحصیل دانشجویان از طریق تلفیق تکنیک های مبتنی برگراف و تشخیص اجتماع با یادگیری ماشین معرفی می نماید. این مقاله، پتانسیل دریافت روابط پیچیده در مجموعه داده های ترک تحصیل دانشجویان را با استفاده از تشخیص اجتماع و رمزگذاری عضویت آن به عنوان یک مجموعه ویژگی، به منظورغنی سازی ویژگی های موجود فعلی به عنوان ورودی طبقه بندی کننده های یادگیری ماشین، بررسی می کند. این مطالعه ازمجموعه داده جامع دوره های آموزشی آنلاین بزرگ مقیاس بهره می برد و از الگوریتم های تبدیل به گراف، تشخیص اجتماع ویادگیری ماشین برای تجزیه و تحلیل داده ها استفاده می نماید. نتایج حاکی از آن است که رویکرد پیشنهادی از مدل هاییادگیری ماشین سنتی پیشی گرفته و به دقت ۹۹.۵ درصد دست می یابد. این تحقیق بر پتانسیل تکنیک های مبتنی بر گرافدر تقویت طبقه بندی ترک تحصیل دانشجویان تاکید می ورزد و بینش هایی را در خصوص فرصت ها، محدودیت ها وجهت گیری های تحقیقات آتی در این حوزه ارائه میدهد. این مطالعه، شواهد قانع کنندهای در مورد اثربخشی رویکردهای تشخیص اجتماع در زمینه طبقه بندی ترک تحصیل دانشجویان، همراه با مفاهیمی برای تشخیص و پیشگیری، فراهم می آورد.

کلیدواژه ها:

تشخیص اجتماع ، گراف ، یادگیری ماشینی ، انصراف از تحصیل دانشجویان