Abstract:
داده کاوی و کشف الگوها و دانش نهفته در داده های سیستم های آموزشی کمک شایانی به تصمیم گیرندگان عرصه آموزش عالی جهت بهبود فرآیند های آموزشی نظیر برنامه ریزی، ثبت نام، ارزیابی و مشاوره می نماید. هدف مقاله حاضر، دسته بندی و پیش بینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک های داده کاوی است. در این مقاله سعی شده با استفاده از داده های دموگرافیک و سوابق تحصیلی دانشجویان و آماده سازی مناسب داده ها و با کمک تکینک های دسته بندی درخت تصمیم، رگرسیون لجستیک، نزدیکترین همسایگی و شبکه های عصبی مدل های مختلفی برای پیش بینی وضعیت تحصیلی دانشجویان در نیمسال آینده ارائه شود. در نهایت مقایسه ای میان نتایج حاصل از تکنیک های مختلف صورت گرفته و بهترین مدل ها در دسته بندی صحیح دانشجویان مدل نزدیکترین همسایگی و سپس شبکه های عصبی شناخته شده اند. بر همین اساس می توان مدل های پیشنهادی را به عنوان یک ابزار پشتیبان تصمیم گیری در سیستم های آموزشی مورد استفاده قرار داد.
Data mining and discovering hidden knowledge and patterns from data in educational systems enables the decision makers in higher education domain to improve educational processes such as planning، enrollment، assessment and counseling. The goal of this study is to classify students and prediction of their educational status using data mining techniques. In this research، we have tried to build proper models for predicting students’ educational status in the following semester using appropriate data preparation of their demographic and educational history and applying it to different classification techniques including decision tree، logistic regression، k-nearest neighbor and neural networks. Finally we have compared the results obtained from these techniques and offered k-nearest neighbor and neural networks as the best models for students’ classification. On this basis، proposed models can be utilized as a decision supporting tool in educational systems.
Machine summary:
دسته بندي و پيش بيني وضعيت تحصيلي دانشجويان با استفاده از تکنيک هاي داده کاوي سميه حيدري * مسعود يقيني ** چکيده داده کاوي و کشف الگوها و دانش نهفته در داده هاي سيستم هاي آموزشي کمک شاياني به تصميم گيرندگان عرصه آموزش عالي جهت بهبود فرآيندهاي آموزشي نظير برنامه ريزي ، ثبت نام ، ارزيابي و مشاوره مينمايد.
در اين مقاله سعي شده با استفاده از داده هاي دموگرافيک و سوابق تحصيلي دانشجويان و آماده سازي مناسب داده ها و با کمک تکينک هاي دسته بندي درخت تصميم ، رگرسيون لجستيک ، نزديکترين همسايگي و شبکه هاي عصبي مدلهاي مختلفي براي پيش بيني وضعيت تحصيلي دانشجويان در نيمسال آينده ارائه شود.
Cabana در اين مقاله ، با بررسي تکنيک هاي دسته بندي و پيش بيني شامل شبکه هاي عصبي ، درخت تصميم ، نزديکترين همسايگي و رگرسيون لجستيک به پيدا کردن الگوها و دانش نهفته در دادههاي سيستم آموزش و ارايه مدلي براي پيش بيني وضعيت تحصيلي دانشجويان در ترم آينده پرداخته ايم .
Delavari در اين تحقيق ، سعي شده است ضمن شناسايي ويژگي هاي مؤثر در پيش بيني وضعيت تحصيلي دانشجويان ، با اعمال تکنيک هاي مختلف دادهکاوي مانند شبکه هاي عصبي، درخت تصميم ، نزديکترين همسايگي و رگرسيون لجستيک بر روي داده هاي مربوط به مشخصات فردي ، آموزشي و تحصيلي دانشجويان تا نيمسال کنوني و مقايسه نتايج تکنيک هاي مختلف ، بهترين مدل براي پيش بيني وضعيت تحصيلي دانشجويان در نيمسال آينده ارايه شود.