پیش بینی ترک تحصیل دانشجویان با استفاده از چارچوب ترکیبی گرافی مبتنی بر تعمیم پشته ای

پیش بینی ترک تحصیل دانشجویان از چالش های اساسی در نظام های آموزش عالی است، زیرا شناسایی زودهنگام دانشجویان در معرض خطر، زمینه ساز مداخلات آموزشی موثر و بهبود نرخ ماندگاری تحصیلی می شود. در این پژوهش، رویکردی ترکیبی برای پیش بینی ترک تحصیل دانشجویان ارائه شده است که بر پایه ی چارچوب گرافی مبتنی بر تعمیم پشته ای طراحی گردیده است. در مرحله نخست، داده های فردی، تحصیلی و اجتماعی– اقتصادی دانشجویان پردازش و مدل سازی شد. سپس مدل های یادگیری ماشین شاملxgboost ، random forest و tabnet به عنوان لایه پایه برای استخراج الگوهای ساختاری داده به کار رفتند. در ادامه، با بهره گیری از مدل های گرافی مانند gcn و ،graphsage وابستگی های پنهان میان دانشجویان در فرایند یادگیری لحاظ گردید. در گام نهایی، خروجی مدل های پایه از طریق مکانیزم تعمیم پشته ای ترکیب و مدل نهایی برای افزایش دقت و پایداری آموزش داده شد. نتایج نشان می دهد چارچوب پیشنهادی نسبت به مدل های مستقل، بهبود معناداری در معیارهای recall ، accuracy و f1 score ایجاد کرده است. یافته ها حاکی از آن است که ترکیب یادگیری گرافی و مدل های سنتی جدولی می تواند ابزاری کارآمد برای پیش بینی و مدیریت افت تحصیلی در آموزش عالی باشد.