شخصی‌سازی محتوای آموزشی دروس فناوری اطلاعات سلامت با استفاده از روش‌های داده‌کاوی

مقدمه: شخصی‌سازی محتوای آموزشی براساس نیازها و ترجیحات دانشجویان یکی از حوزه‌های کاربردی در داده‌کاوی می‌باشد. در این راستا، مطالعه حاضر با هدف شخصی‌سازی محتوای آموزشی از دیدگاه دانشجویان با کمک روش داده‌کاوی انجام شد. مواد و روش‌ها: در پژوهش توصیفی مقطعی حاضر، نمونه‌ای 56 نفری از دانشجویان ترم 7 (ترم آخر تئوری) در مقطع کارشناسی پیوسته رشته فناوری اطلاعات سلامت از دانشگاه‌های علوم پزشکی مشهد، سمنان و اهواز به‌صورت تصادفی به‌عنوان نمونه انتخاب شدند. برای جمع‌آوری داده‌‌ها، چک‌لیستی در اختیار دانشجویان قرار داده شد و از آن‌ها درخواست گردید بهترین توالی پیشنهادی برای تدریس موثر سرفصل‌های دروس فناوری اطلاعات سلامت 1، 2 و 3 را به انتخاب خود مشخص نمایند و سرفصل‌هایی را که از نظر آن‌ها تدریسشان ضروری نیست، حذف کنند. در ادامه با کمک الگوریتم‌های داده‌کاوی مبتنی بر الگوریتم ژنتیک، الگوهای پرتکرار از توالی‌های ارائه‌شده استخراج گردیدند. یافته‌ها: چهار توالی پرتکرار از تحلیل داده‌ها استخراج گردید. گروه اول از دانشجویان توالی مشترکی را برای بخش‌هایی از سرفصل‌های دروس فناوری اطلاعات سلامت 1، 2 و 3 پیشنهاد دادند. گروه‌های دوم و سوم تنها برای بخش‌هایی از سرفصل‌های درس فناوری اطلاعات سلامت 1 توالی مشترکی را پیشنهاد دادند. از میان داده‌های مربوط به گروه چهارم، هیچ توالی پرتکراری استخراج نگردید. مناسب‌نبودن سرفصل‌ها، ترتیب ارائه دروس، منابع، حجم مطالب و روش ارائه آن‌ها (تئوری و عملی) مهم‌ترین عوامل کسب این نتایج بودند. نتیجه‌گیری: تحلیل نتایج توسط سه نفر از اساتید رشته مربوطه نشان داد که الگوریتم پیشنهادی در ارائه توالی‌های مناسب سرفصل‌های آموزشی مفید بوده است.

Personalizing the Content of Health Information Technology Courses Using Data Mining Techniques

Introduction: Personalization of educational content based on students’ needs, conditions, and preferences is one of the most important trends in educational data mining. This study aimed to personalize the content of some courses based on the students’ views using a data mining technique. Materials and Methods: This descriptive crosssectional study was conducted on 7th semester undergraduate students (in the last semester of theoretical course) (n=56) studying Health Information Technology in Mashhad, Semnan, and Ahvaz Universities of Medical Sciences, Iran. The participants were selected randomly, and the data were collected using a researchermade questionnaire. Validity of the questionnaire was verified by the Health Information Technology faculty members. The students were asked to suggest the preferred order for the most effective teaching of Health Information Technology course headings 1, 2, and 3. Moreover, they were asked to eliminate the headings that were not necessary.  Subsequently, geneticbased algorithms for data mining were used to extract the most frequent patterns from the presented sequences. Results: In total, four frequent patterns were extracted from the collected data. The first group of the students suggested a common sequence for Health Information Technology course headings 1, 2, and 3. The second and third groups suggested a common sequence for parts of the “Health Information Technology 1” course. Eventually, no frequent patterns were extracted from the fourth group. Inappropriate headings, sequence of courses, references, content volume, and the method of presentation (theoretical and practical) were the most important factors in obtaining these results. Conclusion: The analysis of the results by the experts showed that the proposed algorithm was useful in providing appropriate sequences of the educational content.