بهینه‌سازی فرایند پذیرش دانشجویان در دانشگاه با استفاده از سیستم‌های توصیه‌گر (مطالعه موردی دانشگاه جامع امام حسین (ع))

زمینه و هدف: پذیرش دانشجویان در دانشگاه‌ها فرایندی پیچیده و تاثیرگذار بر کیفیت آموزشی و توسعه علمی است. روش‌های سنتی انتخاب دانشجو اغلب ناکارآمد بوده و نیازمند بهبود از طریق فناوری‌های نوین هستند. پژوهش حاضر با هدف بهینه‌سازی فرآیند پذیرش دانشجویان در دانشگاه جامع امام حسین (ع) و ارائه یک مدل توصیه‌گر مبتنی بر شایستگی انجام شده است.روش پژوهش: این پژوهش از نوع کاربردی و توصیفی-تحلیلی بوده و از ترکیب روش‌های داده‌کاوی، پردازش زبان طبیعی و الگوریتم‌های شباهت‌سنجی استفاده شده است. ابتدا معیارهای شایستگی دانشجویان استخراج شد، سپس مدل توصیه‌گر با بهره‌گیری از مدل‌های زبانی و پردازش زبان طبیعی طراحی و ارزیابی گردید.یافته‌ها: این مدل توصیه‌گر با تحلیل ویژگی‌های فردی داوطلبان، پیشنهادات شخصی‌سازی شده‌ای ارائه کرده و موجب افزایش دقت و کارآمدی فرآیند پذیرش و در نتیجه بهبود تصمیم‌گیری در انتخاب دانشجویان مستعد می‌گردد.نتیجه‌گیری: مدل پیشنهادی می‌تواند به‌عنوان ابزاری کارآمد برای مدیران دانشگاهی در بهینه‌سازی فرآیند پذیرش دانشجو مورد استفاده قرار گیرد. این رویکرد علاوه بر افزایش دقت در انتخاب داوطلبان، به توسعه علمی و پژوهشی دانشگاه نیز کمک خواهد کرد.

optimization of the student admission process in universities using recommender systems (a case study of imam hossein comprehensive university)

background and objective: student admission in universities is a complex process that significantly impacts educational quality and scientific development. traditional student selection methods are often inefficient and require enhancement through modern technologies. this study aims to optimize the student admission process at imam hossein comprehensive university by proposing a competency-based recommender model. methodology: this applied and descriptive-analytical research employs a combination of data mining techniques, natural language processing, and similarity measurement algorithms. first, student competency criteria were extracted, and then a recommender system was designed and evaluated using language models and natural language processing techniques. findings: the proposed recommender model analyzes applicants' individual characteristics and provides personalized suggestions, thereby increasing the accuracy and efficiency of the admission process and enhancing decision-making in selecting qualified students. conclusion: the proposed model can serve as an effective tool for university administrators to optimize the student admission process. in addition to improving the precision of candidate selection, this approach contributes to the academic and research development of the university.