مقایسه عملکرد روش های هوش مصنوعی در پیش بینی پیشرفت تحصیلی دانش آموزان

امروزه، روش های هوش مصنوعی می تواند از طریق کشف ارتباط بین پارامترهای مختلف، دانش نهفته در مجموعه داده های آموزشی و تربیتی دانش آموزان را استخراج نماید. این دانش می تواند سیستم های آموزشی را در تصمیم گیری بهتر و داشتن طرح های پیشرفته-تری در جهت بهبود عملکرد تحصیلی دانش آموزان کمک کند. شناسایی عوامل موثر بر پیشرفت تحصیلی دانش آموزان و استفاده از تکنیکی که با بیشترین درصد درستی بتواند پیشرفت تحصیلی دانش آموزان را پیش بینی کند، هدف پژوهش حاضر است. در این پژوهش روش های ماشین بردار پشتیان، K-نزدیک ترین همسایه، درخت تصمیم و جنگل تصادفی به منظور پیش بینی پیشرفت تحصیلی به کار گرفته شده است. در نهایت اعتباریابی مدل ها با استفاده از معیارهای دقت، صحت، حساسیت، تشخیص پذیری، میزان خطای طبقه بندی و معیار ترکیبی مورد بررسی قرار گرفته است. یافته های پژوهش نشان می دهد که مدل ماشین بردار پشتیبان نسبت با سایر مدل ها بهترین عملکرد را در سنجش پیشرفت تحصیلی دانش آموزان داشته است.

کلیدواژه ها:

پیشرفت تحصیلی ، هوش مصنوعی ، ماشین بردار پشتیبان ، K-نزدیک ترین همسایه ، درخت های تصمیم ، جنگل تصادفی ، اعتباریابی