مدل پیش بینی چندکلاسه برای برآورد نمرات دانشجویان مبتنی بر یادگیری ماشینی

پیش بینی عملکرد تحصیلی دانشجویان یکی از موضوعات مهم و چالش برانگیز در حوزه یادگیری ماشینی و آموزش عالی محسوب می شود، زیرا می تواند نقش کلیدی در شناسایی دانشجویان در معرض خطر و ارائه راهکارهای حمایتی و پیشگیرانه ایفا کند. در حالی که پژوهش های پیشین عمدتا بر الگوریتم های سنتی یادگیری ماشین و تکنیک های داده محور مانند SMOTE متمرکز بوده اند، این تحقیق رویکردی جامع تر و چندبعدی را اتخاذ کرده است.داده های مورد استفاده در این پژوهش از چندین موسسه و چندین درس مختلف گردآوری شده اند تا محدودیت تعمیم پذیری پژوهش های پیشین کاهش یابد و نتایج حاصل قابلیت کاربرد در محیط های متنوع تر آموزشی را داشته باشند. علاوه بر الگوریتم های کلاسیک مانند J۴۸، Random Forest (RF)، Support Vector Machine (SVM)، k-Nearest Neighbors (kNN)، Logistic Regression (LR) و Naive Bayes (NB)، در این مطالعه الگوریتم های یادگیری عمیق شامل شبکه های عصبی کانولوشنی (CNN) و بازگشتی (RNN) و همچنین مدل های ترکیبی پیشرفته مانند XGBoost و AutoML مورد بررسی قرار گرفته اند.برای مقابله با عدم تعادل داده ها و توزیع نامتوازن نمونه های آموزشی، علاوه بر SMOTE، از روش های ADASYN و یادگیری حساس به هزینه (Cost-Sensitive Learning) نیز استفاده شده است تا مدل ها توانایی بهتری در شناسایی نمونه های کم تکرار و بحرانی داشته باشند. نتایج نشان داد که مدل های یادگیری عمیق قادر به شناسایی روابط غیرخطی پیچیده میان ویژگی ها و عملکرد تحصیلی دانشجویان هستند و مدل XGBoost با رویکرد هیبریدی، بهترین تعادل را بین معیارهای Accuracy، Precision، Recall و F-measure برقرار کرده است.

کلیدواژه ها:

اینترنت اشیا ، سیستم مدیریت انرژی خانگی ، اپلیکیشن موبایل ، قابلیت استفاده ، تجربه کاربری ، منطق فازی ، پرسشنامه