توسعه یک روش بهبود یافته جهت پیش بینی عملکرد آموزشی و تحصیلی دانشجویان، مبتنی بر تکنیک های داده کاوی و یادگیری ماشین

دانشگاه ها و موسسات آموزشی، حجم عظیمی از داده ها، از قبیل اطلاعات فردی و آموزشی دانشجویان را جمع آوری و ذخیره می کنند. رشد بسیارزیاد داده های الکترونیکی در دانشگاه ها، به این واقعیت اشاره دارد که با استفاده از روش های تحلیل داده می توان به نتایج مطلوب در حوزه هایآموزشی و پژوهشی دست یافت. یکی از چالش های اصلی محیط آموزشی میزان موفقیت دانشجویان است. این مسئله وجود دارد که مهمترین ویژگیهای دانشجویان برای پیش بینی پیشرفت تحصیلی آنها چیست و کدام الگوریتم برای انجام این پیش بینی مناسبتر است و در صورت رسیدن به نتایج مناسب در تحلیل پیشرفت تحصیلی، مدیران چگونه می توانند برنامه ریزی بهتری بر اساس آن انجام دهند. در این مقاله تمام ویژگیهای امکان پذیردانشجویان در یک موسسه آموزشی، جمع آوری و برخی از الگوریتمهای دادهکاوی و نیز یک روش پیشنهادی روی داده ها اجرا شده اند و نتایج بهدست آمده، بررسی و براساس معیارهای دقت، صحت و بازیابی با یکدیگر مقایسه شده اند. درخت تصمیم با 0/864 کمترین دقت و روش پیشنهادیبا 0/935 بالاترین دقت را نشان داد. همچنین مهمترین ویژگی های موثر در پیشرفت تحصیلی دانشجویان شناسایی شدند. با استفاده از این پیش بینی،مدیران نیز میتوانند موانع پیش رو را رفع نموده و زمینه را برای پیشرفت دانشجویان فراهم نمایند.

development of an improved method for predicting educational and academic performance of students, based on data mining and machine learning

universities and educational institutions collect and store a huge amount of data, such as personal and educational information of students. the huge growth of electronic data in universities points to the fact that by using data analysis methods, it is possible to achieve desirable results in the fields of education and research. one of the main challenges of the educational environment is the success rate of students. there is the issue of what are the most important characteristics of students to predict their academic progress and which algorithm is more suitable for making this prediction, and if appropriate results are obtained in the analysis of academic progress, how can managers plan better based on it. in this article, all the possible characteristics of students in an educational institution, collection and some data mining algorithms as well as a proposed method have been implemented on the data and the results have been obtained, checked and compared with each other based on the criteria of accuracy, recall and precision. the decision tree showed the lowest accuracy with 0.864 and the proposed method showed the highest accuracy with 0.935. also, the most important features that are effective in the academic progress of students were identified. by using this prediction, managers can also remove the obstacles and provide the ground for the progress of students.