سامانه تصمیم یار مبتنی بر یادگیری ماشین برای پیش بینی تقاضای پذیرش دانشگاه ها در چارچوب تحول دیجیتال آموزش عالی

افزایش رقابت در نظام آموزش عالی و رشد تعداد متقاضیان بین المللی دانشگاه ها را به سمت تصمیم گیری های داده محور سوق داده است. پیش بینی تعداد درخواست های پذیرش یکی از چالش های کلیدی مدیریت دانشگاهی است زیرا مستقیما بر برنامه ریزی ظرفیت، بودجه بندی، خدمات دانشجویی و سیاست های جذب دانشجو تاثیر می گذارد. این پژوهش یک چارچوب مبتنی بر یادگیری ماشین برای پیش بینی تقاضای پذیرش دانشگاهی ارائه می دهد که می تواند به عنوان سامانه پشتیبان تصمیم گیری برای مدیران آموزش عالی مورد استفاده قرار گیرد. داده های تاریخی پذیرش دانشگاه ها پس از پاکسازی، مدیریت داده های پرت و مهندسی ویژگی تحلیل شدند. مدل های مختلف یادگیری ماشین شامل رگرسیون خطی، درخت تصمیم، جنگل تصادفی و گرادیان بوستینگ توسعه و مقایسه شدند. تحلیل داده ها نقش مهمی در تصمیم گیری آموزشی ایفا می کند. (۲۰۱۱, Siemens & Long) نتایج نشان داد مدل های ensemble عملکرد بهتری نسبت به مدل های پایه دارند و قادر به مدل سازی روابط غیرخطی میان متغیرهای آموزشی و مالی هستند. مدل Stochastic Gradient Boost با مقدار MAE برابر ۱۱.۸ بهترین عملکرد را نشان داد. همچنین این مدل نسبت به رگرسیون خطی حدود ۳۸% کاهش خطا نشان داد. تحلیل اهمیت ویژگی ها نشان داد عواملی نظیر رتبه دانشگاه، شهریه و امکانات آموزشی بیشترین تاثیر را بر رفتار متقاضیان دارند. ارزش این پژوهش در کاربرد عملی آن در تصمیم سازی مدیریتی است. خروجی مدل می تواند در برنامه ریزی ظرفیت پذیرش، تخصیص منابع، تدوین سیاست های جذب دانشجو و مدیریت رقابت آموزشی مورد استفاده قرار گیرد. این مطالعه نشان می دهد هوش مصنوعی می تواند نقش موثری در هوشمندسازی مدیریت آموزش عالی و بهبود تصمیم گیری های آموزشی ایفا کند و نمونه ای از کاربرد عملی هوش مصنوعی در علوم انسانی و مدیریت آموزشی محسوب می شود. استفاده از هوش مصنوعی در آموزش عالی به سرعت در حال رشد است. (۲۰۱۹, Zawacki-Richter et al.)

کلیدواژه ها:

یادگیری ماشین ، تحلیل پیش بینانه ، آموزش عالی ، پشتیبانی تصمیم گیری ، مدیریت آموزشی ، هوش مصنوعی کاربردی