پیش‌بینی عملکرد تحصیلی دانشجویان مبتنی بر شبکه کانولوشن گراف و لایه ‏توجه

پیش‌بینی عملکرد دانشجویان، یکی از موضوع‌های اساسی در آموزش مجازی ‏ ‏است. عدم تعامل بین استاد و دانشجو در آموزش‌ مجازی سبب می‌شود، شرایط ‏تحصیلی دانشجویان به طور صحیح و کامل تشخیص داده نشود. در ‏سیستم‌های آموزش مجازی، داده‌های مربوط به فعالیت‌های آموزشی دانشجویان ‏جمع‌آوری می‌شود. ما با تحلیل این داده‌ها با استفاده از تکنیک‌های داده‌کاوی ‎ ‎می‌توانیم الگوهای آموزشی دانشجویان را تعیین کنیم. این الگوها به اساتید در ‏شناسایی دانشجویان در معرض خطر کمک می‌کند.‏ در تجزیه و تحلیل داده‌های آموزشی، از مدل‌های مختلفی از جمله ‏شبکه‌های عصبی ، ماشین‌های بردار پشتیبان ، بیزین ، درخت تصمیم‌گیری ، ‏نزدیک ترین همسایه و ... استفاده شده‌است. نتایج نشان می‌دهد که شبکه ‏عصبی دقت بهتری نسبت به سایر روش‌ها دارد ‏‎‎‏. در این تحقیق، روش ‏جدیدی برای پیش بینی عملکرد تحصیلی دانشجویان ارائه کرده‌ایم که اولا برای ‏تحلیل اطلاعات مربوط به پیشینه دانشجو از گراف دانش استفاده می کند و ‏همچنین به منظور استفاده از داده‌های فعالیتی دانشجو در طول ترم، از مکانیزم ‏توجه ‏ بهره می برد. نتایج به دست آمده نشان می‌دهد روش پیشنهادی توانسته ‏است دقت بهتری نسبت به مدل مبتنی بر ‏lstm‏ کسب کند.‏