بهبود دقت پیش بینی افت و موفقیت تحصیلی دانشجویان بر پایه بهره وری از شبکه های عصبی پیش خور عمیق

پیشینه و اهداف: داده کاوی آموزشی به عنوان یکی از حوزه های نوین و میان رشته ای، نقش مهمی در تحلیل رفتار فراگیران، شناسایی عوامل موثر بر موفقیت یا افت تحصیلی و پشتیبانی از تصمیم گیری های آموزشی ایفا می کند. با رشد سامانه های آموزش الکترونیکی و افزایش حجم داده های آموزشی، نیاز به روش های هوشمند برای استخراج دانش نهفته در این داده ها بیش ازپیش احساس می شود. روش های سنتی یادگیری ماشین، هرچند در بسیاری از پژوهش ها به کار گرفته شده اند، اما در مواجهه با داده های پیچیده، غیرخطی و چندبعدی آموزشی با محدودیت هایی از نظر دقت و قدرت تعمیم پذیری روبه رو هستند. در این میان، مدل های مبتنی بر یادگیری عمیق و شبکه های عصبی مصنوعی به دلیل توانایی بالا در مدل سازی روابط پیچیده، توجه پژوهشگران را به خود جلب کرده اند. هدف اصلی این پژوهش، توسعه و ارزیابی یک مدل ترکیبی هوشمند مبتنی بر شبکه های عصبی پیش خور شامل شبکه عصبی مصنوعی، شبکه یادگیری با سرعت بالا (ELM) و شبکه پرسپترون چندلایه به همراه روش های پیشرفته انتخاب ویژگی است تا ضمن شناسایی متغیرهای کلیدی موثر بر عملکرد تحصیلی دانشجویان، دقت پیش بینی وضعیت تحصیلی آنان به طور معناداری افزایش یابد. روش ها : در این مطالعه، مجموعه ای جامع از داده های آموزشی شامل اطلاعات دموگرافیک، اجتماعی- اقتصادی، وضعیت ثبت نام، سوابق آموزشی و نمرات تحصیلی دانشجویان مورداستفاده قرار گرفت. داده ها از سامانه های آموزشی دانشگاهی و همچنین مجموعه داده های عمومی معتبر گردآوری شدند. پس از انجام پیش پردازش های لازم از جمله پاک سازی داده ها، مدیریت مقادیر گمشده و نرمال سازی ویژگی ها، فرایند انتخاب ویژگی با استفاده از سه روش MRMR، Chi-square و ReliefF انجام شد. سپس سه شبکه عصبی ANN، ELM و MLP با استفاده از ۹۰ درصد داده ها آموزش داده شدند و ۱۰ درصد باقی مانده برای آزمون و اعتبارسنجی مدل ها مورداستفاده قرار گرفت. در نهایت، خروجی شبکه ها با بهره گیری از روش رای گیری اکثریت به صورت یک مدل ترکیبی ادغام شد. عملکرد مدل پیشنهادی با استفاده از معیارهای استاندارد دقت، صحت، فراخوانی و معیار F ارزیابی گردید. یافته ها: نتایج حاصل از آزمایش ها نشان داد که روش ReliefF در مقایسه با سایر روش های انتخاب ویژگی، عملکرد بهتری در شناسایی ویژگی های موثر دارد. با استفاده از ۲۰ ویژگی برتر استخراج شده توسط این روش، مدل ترکیبی پیشنهادی به دقت ۸۱.۴۴ درصد و مقدار F برابر با ۰۹/۷۲ درصد دست یافت. در بررسی عملکرد شبکه های عصبی به صورت مستقل، شبکه ELM بهترین نتیجه را بادقت ۸/۸۲ درصد ارائه کرد که به طور متوسط ۲ تا ۴ درصد بالاتر از ANN و MLP بود. علاوه بر این، مقایسه مدل پیشنهادی با روش های سنتی یادگیری ماشین نشان داد که مدل ترکیبی شبکه های عصبی توانسته است دقت پیش بینی را بیش از ۷ درصد و دقت طبقه بندی را بیش از ۴ درصد بهبود بخشد که بیانگر برتری معنادار رویکرد پیشنهادی است.

کلیدواژه ها:

پیش بینی وضعیت تحصیلی ، داده کاوی آموزشی ، ماشین یادگیری افراطی ، الگوریتم relief