Abstract:
انصراف دانشجو یکی از چالشهای پیش روی آموزش عالی است. مقالۀ حاضر رویکرد پذیرش دانشجوی شهریهپرداز را نوعی کسبوکار و انصراف دانشجو را رویگردانی مشتری در نظر گرفته است و بهدنبال بررسی عوامل انصراف دانشجویان و اتخاذ سیاستهای مداخلهجویانۀ بازدارنده است. پژوهش پیش رو کاربردی از نوع توصیفی است که بهکمک دادههای کمی و کیفی بر مبنای روش پژوهش کریسپ از دادهکاوی اطلاعات دانشجویان ورودی شهریهپرداز (21420 دانشجو دانشگاه تهران طی سالهای 1392- 1388) استخراجشده از بانکهای اطلاعاتی سیستم آموزش دانشگاه تهران، اجرا شده است. هدف آن، تحلیل رفتار دانشجویان بهمنظور شناسایی دانشجویان در معرض خطر انصراف و ارائۀ مدل پیشبینی احتمال انصراف است. پس از تحلیل دادهها و ارائۀ مدل پیشبینی، جدول احتمال انصراف و مدل رگرسیونی انصراف، یافتههای پژوهش ترم اول و دوم (بهویژه ترم اول در دورۀ سنی 31-24 سال) را بهمنزلۀ پرخطرترین دورۀ زمانی، دانشجویان ارشد را مستعدترین مقطع و دورۀ شبانه را پرخطرترین دورۀ تحصیلی برای انصراف دانشجو (رویگردانی مشتری) شناسایی کرد.
Machine summary:
پس از تحليل داده ها و ارائۀ مدل پيش بينـي ، جـدول احتمـال انصـراف و مدل رگرسيوني انصراف ، يافته هاي پـژوهش تـرم اول و دوم (بـه ويـژه تـرم اول در دورٔە سـني ٣١-٢٤ سال ) را به منزلۀ پرخطرترين دورٔە زماني ، دانشجويان ارشد را مستعدترين مقطـع و دورٔە شبانه را پرخطرترين دورٔە تحصيلي براي انصراف دانشجو (روي گرداني مشتري ) شناسايي کرد.
کدام يک از عوامل سن ، جنسيت ، بومي بودن ، مقطـع تحصـيلي ، سـنوات تحصـيلي و دورٔە تحصيلي ، در انصراف دانشجويان از اهميت بيشتري برخوردار اسـت ؟ رويکـرد پـيش رو بـر مبناي جمع آوري داده هاي مناسب از داده هاي ذخيره شده در پايگاه هـاي اطلاعـات دانشـجويي و تجزيه وتحليل آنها، شناسايي علل انصراف و به دنبال آن ، ارائۀ مدل پيش بيني براي سياسـت هـاي مداخله جويانۀ مناسب به منظور کاهش درصد انصراف دانشـجويان و افـزايش ميـزان بقـاي آنـان (ماندگاري ) در راستاي راهبردهاي مناسب براي پشتيباني از تصميم هاي مـديران ارشـد دانشـگاه تهران (مراکز آموزش عالي ) شکل گرفته است .
com/2012/01/ how-11-universities-will-improve-student-retention زمينۀ شناسايي دانشجويان در معرض خطر به منظور اتخاذ سياست هـاي مداخلـه جويانـۀ مناسـب فراهم شود و به هدف غايي يا به بيان ديگر، تسري آنها به آموزش عالي دست يابد.
Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics: An Issue Brief, Available in: http://www.
Analyzing University Data for Determining Student Profiles and Predicting Performance, 4th International Conference on Educational Data Mining, Eindhoven, July 6-8, The Netherlands.
Use Data Mining To Improve Student Retention in Higher Education - A Case Study.