پیش‌بینی وضعیت تحصیلی متقاضیان پذیرش‌شده دانشگاه، مبتنی بر داده‌های آموزشی و پذیرشی با استفاده از تکنیک‌های داده کاوی

داده کاوی آموزشی در چند سال اخیر بسیار مورد توجه قرار گرفته است. مراکز و موسسات آموزشی دارای حجم زیادی از اطلاعات دانشجویان هستند که می‌تواند به عنوان ابزاری برای ارتقا سطح کیفی آموزش مورد استفاده قرار گیرد. دانش استخراج‌شده به موسسات کمک می‌کند تا روش‌های تدریس، فرآیند یادگیری و تصمیم‌گیری‌های خود را بهبود بخشند. هدف این پژوهش پیش‌بینی وضعیت تحصیلی دانشجویانی است که قرار است از مقطع کاردانی به مقطع کارشناسی ادامه تحصیل دهند. با توجه به اینکه وزارت علوم قصد دارد آزمون ورودی (کنکور) را حذف کند؛ دانشگاه‌ها با این مشکل مواجه خواهند شد که دانشجویان را براساس چه معیارهایی انتخاب کنند. در این پژوهش سعی بر آن است تا با استفاده از تکنیک‌های داده کاویِ درخت تصمیم، نیو بیز، شبکه عصبی، ماشین بردار پشتیبان، جنگل تصادفی، bagging و boosting اطلاعات آموزشی دانشجویان تازه وارد تحلیل شود و با مقایسه آن‌ها با اطلاعات دانشجویان فارغ‌التحصیل، انصرافی و اخراجی مقطع کارشناسی، روشی برای انتخاب بهتر دانشجویان ارائه کند. با توجه به نتایج این تحقیق، جنگل تصادفی با 92.28% بیشترین دقت و نیو بیز با 61.09% کمترین دقت پیش‌بینی را دارند.

predicting the academic status of admitted applicants based on educational and admission data using data mining techniques

educational data mining has become an increasingly popular field of research in recent years due to the vast amount of student data held by educational institutions. this data can be utilized as a tool to improve the quality of education by extracting knowledge that can assist institutions in enhancing their teaching methods, learning processes, and decision-making. the purpose of this paper is to predict the educational status of students who are intending to continue their studies from an associate degree to a bachelor’s degree. as the ministry of science plans to eliminate the entrance exam, universities are faced with the challenge of selecting students based on what criteria. to address this issue, data mining techniques such as decision tree, naïve bayes, neural network, support vector machine, random forest, bagging, and boosting were employed to analyze the educational information of new students. then, by comparing this information with that of graduate, dropout, and expelled students at the bachelor’s level, a more effective method for selecting students was proposed. the results indicate that random forest has the highest accuracy at 92.28%, while naïve bayes has the lowest accuracy at 61.09% in predicting educational status.