ارزیابی عملکرد دانشجویان با استفاده از ترکیب ماشین بردار پشتیبان و الگوریتم بهینه سازی نهنگ قاتل با در نظر گرفتن انتخاب ویژگی های مهم

ارزیابی عملکرد دانشجویان نقش مهمی در بهبود کیفیت آموزشی و تصمیم گیری های دانشگاهی دارد. در این پژوهش روشی ترکیبی مبتنی بر ماشین بردار پشتیبان و الگوریتم بهینه سازی نهنگ قاتل برای پیش بینی و ارزیابی عملکرد دانشجویان ارائه شده است. در روش پیشنهادی ابتدا الگوریتم نهنگ قاتل جهت انتخاب ویژگی های مهم از میان ۳۱ ویژگی موجود در مجموعه داده Higher Education Students Performance Evaluation (شامل ۱۴۵ نمونه) به کار گرفته شده است. سپس مقادیر بهینه پارامترهای کلیدی ماشین بردار پشتیبان (C و σ) با استفاده از همین الگوریتم استخراج می شوند تا دقت طبقه بندی افزایش یابد. برای ارزیابی عملکرد، روش پیشنهادی با الگوریتم های KNN، SVM و PSO-SVM مقایسه شده است. نتایج آزمایش ها نشان می دهد که رویکرد ترکیبی KWOA-SVM با انتخاب ویژگی های موثر و تنظیم بهینه پارامترها از دقت و کارایی بالاتری نسبت به سایر روش های مقایسه ای برخوردار است. این موضوع نشان دهنده توانایی بالای الگوریتم پیشنهادی در شناسایی عوامل کلیدی موثر بر عملکرد دانشجویان و بهبود فرآیندهای تصمیم سازی آموزشی می باشد.

کلیدواژه ها:

داده کاوی ، ماشین بردار پشتیبان ، الگوریتم بهینه سازی نهنگ قاتل ، انتخاب ، ویژگی ، طبقه بندی ، بهینه سازی پارامترها