چکیده:
هدف پژوهش حاضر بهعنوان بخشی از رساله دکتری، توسعه مدلی برای پیشبینی آسیبپذیری تحصیلی دانشجویان مقطع کارشناسی رشتههای مهندسی در کوتاه مدت (نیمسال تحصیلی) بوده که به روش دادهکاوی و با استفاده از الگوریتم شبکه عصبی به اجرا درآمده است. جامعه آماری، دربرگیرندهی کلیه "ترم- دانشجوها" از نیمسال اول سال تحصیلی91-1390 لغایت دوم 94-1393 در سه مورد از دانشگاههای فنی-مهندسی کشور (مجموعا 53422 رکورد) بوده که با بهرهبرداری مستقیم از سیستمهای آموزش هر سه دانشگاه در مدلسازی وارد شدهاند. نتایج حاکی از آن است که با بهرهگیری از دادههای موجود در سیستمهای حوزه آموزش دانشگاهها و به خدمت گرفتن شبکه عصبی میتوان با صحت بیش از 95 درصد و اعتبار بالاتر از 60، نسبت به پیشبینی وضعیت نیمسال برای یکایک دانشجویان اقدام نمود. معدل نیمسال قبل، معدل کل، زوج یا فرد بودن نیمسال، نوع واحدهای اخذ شده و مبادرت به فعالیتهای فوقبرنامه در نیمسال، به عنوان موثرترین متغیرهای پیشبین، تشخیص داده شدند.
The aim of this study as a part of a doctoral thesis was to develop a model for predicting educational vulnerability of undergraduate students in engineering disciplines in short term period (by semester). The method was data mining by using neural network algorithm. The statistical population, including all "Term- student" from the first semester in academic year 1390-91 till the second semester of 1393-94 in three Iranian technical-engineering universities (with a total of 53,422 records). The needed data were used in the model by direct exploitation of MISs in all three universities. The results indicate that by using the available data in educational systems of universities and engaging the neural networks algorithm, it is possible to make a prediction by more than 95 percent accuracy and with validity over 60, in terms of semester results for all students. “GPA (Grade Point Average) of the last semester”, “total GPA”, “the condition of the semesters in the case of being an odd or an even one”, “type of units taken within the semester” and “engaging in extra activities”, were identified as the most effective predictive variables.
خلاصه ماشینی:
"Educational data mining (EDM) هم چنین پینا آیالا١ (٢٠١٤) در پژوهش مروری جامعی که در حوزه داده کاوی آموزشی انجام داده است ، مطالعات از نوع پیش بینی را به عنوان رایج ترین مطالعات این حوزه ، شناسایی مینماید.
از آن جا که این پژوهش در کشور مالزی (به عنوان کشوری در حال توسعه ) به انجام رسیده و از این نظر که در ارزیابی تکنیک های داده کاوی و خوشه بندی، طیف دانشجویان ضعیف را مورد استفاده قرار داده ، قابل توجه است .
به عنوان جمع بندی یافته های حاصل از مرور پژوهش های پیشین میتوان : "کمبود پژوهش های داده کاوی در حوزه مدیریت آموزشی"، "عدم بهره گیری از داده های ارزشمند موجود در سیستم های اطلاعات آموزش دانشگاه ها"، "ضرورت توجه خاص به دانشجویان ضعیف " و "کمبود مطالعات انجام شده در رشته های مهندسی" را به عنوان شکاف تحقیقاتی و ضرورتی دانست که پژوهش حاضر قصد پوشش دادن به آن را داشته است .
با نگاهی بدبینانه می توان گفت که مدل های توسعه داده شده در این پژوهش برای پیش بینی مشروطی دانشجویان نیمسال های اول و دوم در مقایسه با دانشجویان قدیمیتر از توان پایینتری برخوردار است ، چراکه بر مبنای متغیرهای کمتری در مورد آن ها پیش بینی مینماید.
و از آن جا که این پژوهش در فضای موضوعی فراگیران ضعیف دنبال میشد، تلاش گردید با توسعه مدل های مبتنی بر داده کاوی به دانش و مکانیزمی برای شناسایی به موقع دانشجویان آسیب پذیر در دانشگاه های مورد مطالعه دست یافته شود."