کاربست داده کاوی آموزشی در پیش‌بینی وضعیت تحصیلی دانشجویان در آموزش الکترونیکی

افت تحصیلی، ریزش و تکرار دروس هزینه های سنگینی بر هر نظام آموزشی تحمیل می‌کند؛ لذا پیش‌بینی وضعیت تحصیلی دانشجویان از نظر موفقیت یا افت تحصیلی در تصمیم‌گیری‌های آموزشی از اهمیت به سزایی برخوردار است. از جمله نظام های آموزشی نوپا، آموزش الکترونیکی است که با چالش افت تحصیلی بالا مواجه است. پژوهش حاضر در راستای پیش‌بینی وضعیت تحصیلی دانشجویان از روش داده‌کاوی آموزشی استفاده کرده است. از الگوریتم‌های مربوط به مدل‌ شبکه عصبی مصنوعی، درخت تصمیم‌، استنتاج قانون، نزدیک‌ترین همسایه، ماشین بردار پشتیبان و شبکه‌های بیزی برای رسیدن به هدف پژوهش استفاده شد و کارآیی الگوریتم‌ها با استفاده از میانگین خطا مطلق مورد ارزیابی قرار گرفت. نتایج میانگین خطای مطلق نشان داد برای مسئله پژوهش حاضر، الگوریتم m5' (از مدل‌های درخت تصمیم‌گیری) و m5rules (از مدل‌های استنتاج قانون) دقیق‌ترین و پایاترینِ مدل‌ها هستند. یافته های پژوش حاضر نشان داد در مسائل آموزشی، مدل‌های پیش‌بینی درخت تصمیم و استنتاج قانون به دلیل قابلیت تفسیر نتایج و قدرت پیش‌بینی بر مدل‌های دیگر چون شبکه عصبی ترجیح داده می‌شوند. در پایان نتایج و پیشنهادات کاربردی ارائه شد.

na

na