کاربست داده کاوی آموزشی در پیش¬بینی وضعیت تحصیلی دانشجویان در آموزش الکترونیکی

Abstract

افت تحصیلی، ریزش و تکرار دروس هزینه های سنگینی بر هر نظام آموزشی تحمیل می¬کند؛ لذا پیش¬بینی وضعیت تحصیلی دانشجویان از نظر موفقیت یا افت تحصیلی در تصمیم¬گیری¬های آموزشی از اهمیت به سزایی برخوردار است. از جمله نظام های آموزشی نوپا، آموزش الکترونیکی است که با چالش افت تحصیلی بالا مواجه است. پژوهش حاضر در راستای پیش¬بینی وضعیت تحصیلی دانشجویان از روش داده¬کاوی آموزشی استفاده کرده است. از الگوریتم¬های مربوط به مدل¬ شبکه عصبی مصنوعی، درخت تصمیم¬، استنتاج قانون، نزدیک‌ترین همسایه، ماشین بردار پشتیبان و شبکه¬های بیزی برای رسیدن به هدف پژوهش استفاده شد و کارآیی الگوریتم¬ها با استفاده از میانگین خطا مطلق مورد ارزیابی قرار گرفت. نتایج میانگین خطای مطلق نشان داد برای مسئله پژوهش حاضر، الگوریتم M5' (از مدل¬های درخت تصمیم¬گیری) و M5Rules (از مدل¬های استنتاج قانون) دقیق¬ترین و پایاترینِ مدل¬ها هستند. یافته های پژوش حاضر نشان داد در مسائل آموزشی، مدل¬های پیش¬بینی درخت تصمیم و استنتاج قانون به دلیل قابلیت تفسیر نتایج و قدرت پیش¬بینی بر مدل¬های دیگر چون شبکه عصبی ترجیح داده می¬شوند. در پایان نتایج و پیشنهادات کاربردی ارائه شد