تشخیص سطح علمی دانشجویان با بررسی کلیک روزانه در سامانه‌های آموزش الکترونیکی

داده‌های جریان کلیک سامانه‌های آموزش الکترونیکی اهمیت زیادی در رابطه با تشخیص سطح علمی دانشجویان آن سامانه‌‌ها دارد. بیشتر مطالعات قبلی صورت گرفته بر داده‌های جریان کلیک، مبتنی بر الگوریتم‌های یادگیری ماشین بوده است. با توجه به اهمیت الگوریتم‌های گراف پدیداری و کارایی مطلوب آن‌ها در تحلیل داده‌های سری زمانی و تولید آورده‌های جدید محاسباتی، کارایی مطلوب در پیش‌بینی و تشخیص قابلیت‌های متمایز دو سری زمانی مختلف، با نگاشت آن به حیطه داده‌های آموزشی نیز می‌توان از این پتانسیل‌ها بهره برد. هدف این پژوهش تحلیل میانگین کلیک روزانه دانشجویان ممتاز و ضعیف و تبدیل به گراف پدیداری طبیعی و بررسی با معیارهای تحلیل شبکه پیچیده مانند مرکزیت درجه، مرکزیت نزدیکی و توزیع درجه برای تشخیص تفاوت رفتاری آن‌ها است. داده‌های پژوهش از سامانه آموزشی متن باز oulad که حاوی اطلاعات تعامل دانشجویان با سامانه است، انتخاب شده است. نتایج بیانگر این مفهوم است که بالاتر بودن مرکزیت درجه، مرکزیت نزدیکی و توزیع درجه متمایز کننده دانشجو ممتاز از ضعیف و تایید کننده عدم شباهت رفتاری دانشجویان براساس میانگین کلیک‌هایشان در سامانه است. میانگین دقت این معیارها با الگوریتم‌های درخت تصمیم، جنگل تصادفی و knn و ... بعد از اجرا در ده لایه صورت گرفته که الگوریتم درخت تصمیم با 78 درصد بهترین میانگین دقت تفکیک کنندگی را داشته است.