مدلی برای بخش‌بندی یادگیرندگان و بهبود عملکرد آموزشی با استفاده از الگوریتم‌های داده‌کاوی

ارزیابی عملکرد آموزشی از طریق شناسایی و تحلیل داده‌های حاصل از فعالیت‌های یادگیرندگان، می‌تواند به بهبود موثر عملکرد آموزشی منجر گردد. در پژوهش حاضر، داده‌های مربوط به دانش پذیران بین‌المللی، بر اساس روش تحقیق علم طراحی و با استفاده از روش‌های داده‌کاوی مورد بررسی قرار گرفته است. در این راستا تحقیقات انجام‌گرفته داخلی و بین‌المللی در دهه گذشته بررسی و مرور شده است و داده‌های تحصیلی و غیر تحصیلی یادگیرندگان در سه دسته خانوادگی، حمایتی و رفتار تحصیلی با استفاده از داده‌کاوی، خوشه‌بندی شده است. پس از اعتبارسنجی خروجی الگوریتم‌ها توسط شاخص‌های مرتبط و تعیین تعداد خوشه بهینه در هر بخش، خوشه‌ها نام‌گذاری و تحلیل شدند. تحلیل خوشه‌های شناسایی‌شده، نشان‌دهنده تجربه موفقیت یا شکست تحصیلی دانش پذیران و ریشه‌های عملکرد موثر در هر بخش است و روش نام‌گذاری ارائه‌شده، روشی نوین و قابل‌استفاده در اغلب مراکز آموزشی جهت تفکیک و تبیین عملکرد آموزشی است.

A Model for Learners Segmentation and Educational Performance Improvement Using Data Mining Algorithms

Educational performance measurement through the identification and analysis of data extracted from learners’ activities can effectively result in the improvement of educational performance. In this Article, data of international learners was analyzed based on design science methodology and using data mining methods. In this regard, domestic and international research has been reviewed over the past decade and the academic and nonacademic data of students were clustered into three categories: family, supportive, and academic behavior. After the validation of algorithms outputs and determining the number of optimal clusters in each category, clusters were labeled and analyzed. Analysis of labels presents the experience of success or failure of students and roots of effective performance in each cluster, and the labeling method proposed is a new and applicable method in most of the learning centers for segmenting and formulating the educational performance.