مقایسه عملکرد روش‌های هوش مصنوعی در پیش‌بینی پیشرفت تحصیلی دانش‌آموزان

امروزه، روش‌های هوش مصنوعی می‌تواند از طریق کشف ارتباط بین متغیرهای مختلف، دانش نهفته در مجموعه داده‌های آموزشی و تربیتی دانش‌آموزان را استخراج نماید. این دانش می‌تواند سیستم‌های آموزشی را در تصمیم‌گیری بهتر و داشتن طرح‌های پیشرفته‌تری در جهت بهبود عملکرد تحصیلی دانش‌آموزان کمک کند. شناسایی عوامل تاثیرگذار بر پیشرفت تحصیلی دانش‌آموزان و استفاده از روشی که با بیشترین درصد درستی بتواند پیشرفت تحصیلی دانش‌آموزان را پیش‌بینی کند، هدف پژوهش حاضر است. در این پژوهش روش‌های ماشین بردار پشتیان، k-نزدیک‌ترین همسایه، درخت تصمیم و جنگل تصادفی به منظور پیش‌بینی پیشرفت تحصیلی بکار گرفته شده است. در نهایت اعتباریابی مدل‌ها با استفاده از معیارهای دقت، صحت، حساسیت، تشخیص‌پذیری، میزان خطای طبقه‌بندی و معیار ترکیبی مورد بررسی قرار گرفته است. یافته‌های پژوهش نشان می‌دهد که مدل ماشین بردار پشتیبان نسبت به سایر مدل‌ها بهترین عملکرد را در سنجش پیشرفت تحصیلی دانش‌آموزان داشته است.

comparing the performance of artificial intelligence methods in predicting students academic progress

nowadays، artificial intelligence methods can extract the knowledge hidden in the educational datasets by discovering the relationship between different features. this knowledge can help educational systems in making better decisions and having more advanced plans to improve the academic performance of students. the aim of this study is to identify the factors affecting the academic progress of students and to use a technique that can predict the academic progress of students with the highest percentage of accuracy. accordingly، artificial intelligence methods including support vector machine (svm)، k-nearest neighbor (knn)، decision tree (dt)، and random forest (rf) have been applied. finally، the validation of the models was investigated using the metrics of accuracy، precision، sensitivity، specificity، classification error rate، and a composite metric. the results show that the support vector machine model had the best performance in predicting the academic progress of students compared to other models.