کاربرد یادگیری ماشین در پشتیبانی از تصمیم گیری برای شناسایی دانشجویان در معرض خطر وابستگی به فضای مجازی

وابستگی به فضای مجازی به چالشی مهم برای سلامت روان و عملکرد تحصیلی دانشجویان تبدیل شده است. درحالی که مطالعات پیشین وجود رابطه را تایید کرده اند، ابزاری برای پیش بینی دقیق و کمی این امر با توجه به ویژگی های ورودی وجود نداشت. هدف این پژوهش، طراحی و ارزیابی یک مدل یادگیری ماشین برای پیش بینی میزان وابستگی به عنوان هسته یک سیستم پشتیبان تصمیم بود. مجموعه داده این مطالعه متشکل از ویژگی های روان شناختی، جمعیت شناختی و رفتاری و خروجی آن میزان وابستگی به فضای مجازی بود. در این پژوهش، عملکرد چهار الگوریتم جنگل تصادفی، پرسپترون چندلایه، رگرسیون خطی و KStar با معیارهای RMSE، MAE و R² مقایسه گردید. همچنین، اهمیت ویژگی ها با دو روش همبستگی پیرسون و ReliefF تحلیل شد. یافته ها نشان داد مدل KStar به دلیل سازگاری با داده های ترکیبی، با کمترین خطا و بالاترین ضریب تعیین بهترین عملکرد را دارد. تحلیل اهمیت ویژگی ها ماهیت پیچیده و چندبعدی مسئله را آشکار کرد و مشخص شد حذف ویژگی های به ظاهر کم اهمیت، به دلیل از دست دادن اطلاعات تعاملی، موجب بهبود مدل نمی شود. این پژوهش نشان می دهد که با استفاده از یادگیری ماشین می توان وابستگی به فضای مجازی را با دقت مناسبی پیش بینی کرد و خروجی آن مبنای عینی برای طراحی مداخلات هدفمند است. پیشنهاد می شود مدل توسعه یافته در مطالعات آتی روی نمونه های متعدد اعتبارسنجی شده و خروجی آن در چارچوب هایی مانند تحلیل پوششی داده ها برای تخصیص بهینه منابع حمایتی به کار رود.

کلیدواژه ها:

وابستگی به فضای مجازی ، یادگیری ماشین ، علوم تصمیم ، دانشجویان