طراحی و ارزیابی سیستم پیشنهاددهنده مبتنی بر شبکه‌های عصبی عمیق برای پیش‌بینی عملکرد تحصیلی دانشجویان

امروزه فناوری اطلاعات در مناطق مختلف باعث تولید هر روز مقدار زیادی داده می‌شود. در سال‌های اخیر، بسیاری از محققان شروع به استخراج دانش از داده‌ها برای تصمیم‌گیری مبتنی بر داده و بهبود کیفیت فرایندها در سازمان‌های مختلف کرده‌اند. داده‌کاوی آموزشی با بهره‌برداری از داده‌های مربوط به همه ذی‌نفعان، به موسسات آموزشی کمک می‌کند تا به طور موثر و کارآمد عمل کنند. این می‌تواند به دانشجویان در معرض خطر کمک کند، سیستم‌های پیشنهادی ایجاد کند و دانشجویان را در سطوح مختلف هشدار دهد. استفاده از داده‌کاوی آموزشی و تجزیه‌وتحلیل یادگیری در آموزش می‌تواند در بهبود وضعیت تحصیلی و فراهم‌آوردن ابزارهای موردنیاز که موسسات قادر به استفاده از آن ها برای اهداف مستمر هستند، مفید باشد. اخیراً، یادگیری عمیق و شبکه عصبی توجه زیادی در بخش‌های آموزشی نسبت به روش‌های دیگر دارد. در این پژوهش با استفاده از شبکه عصبی روی مجموعه‌داده دانشگاه بنگلادش، عملکرد آن را با مدل رگرسیون مبتنی بر یادگیری عمیق (صدیق حسین 2021) مقایسه کرده‌ایم. معیارهای ارزیابی جهت مقایسة عملکرد، mae (میانگین خطای مطلق) و mse (میانگین خطای مربع) هستند. mae و mse شبکه عصبی در اولین اجرا به ترتیب 0.1357 و 0.026123 به دست آمد و در یادگیری عمیق 1.61 و 4.7 می‌باشد. ضمن این مقایسه، با شبکه عصبی سیستم پیشنهاددهنده جهت پیش‌بینی وضعیت تحصیلی دانشجویان ارائه داده شده است که وضعیت دانشجو در چهار حالت عالی ، خوب ، نیاز به تلاش بیشتر و نیاز به راهنمایی در نظر می‌گیرد. در این پژوهش به این نتیجه دست یافتیم که شبکه عصبی می‌تواند نسبت به رگرسیون مبتنی بر یادگیری عمیق عملکرد بهتری داشته باشد.

design and evaluation of a deep neural network–based recommender system for predicting students’ academic performance

today, information technology in different regions leads to the generation of a large amount of data on a daily basis. in recent years, many researchers have begun extracting knowledge from data to enable data?driven decision?making and to improve the quality of processes in various organizations. educational data mining, by exploiting data related to all stakeholders, helps educational institutions operate effectively and efficiently. it can assist at?risk students, create recommender systems, and issue warnings to students at different levels. the use of educational data mining and learning analytics in education can be beneficial in improving academic performance and providing the necessary tools that institutions can use for continuous objectives. recently, deep learning and neural networks have received considerable attention in the educational sector compared to other methods. in this study, using a neural network on the bangladesh university dataset, its performance is compared with a deep learning–based regression model (sadiq hussain, 2021). the evaluation metrics used for performance comparison are mae (mean absolute error) and mse (mean squared error). the mae and mse of the neural network in the first run were obtained as 0.1357 and 0.026123, respectively, while for deep learning they were 1.61 and 4.7. in addition to this comparison, a neural?network?based recommender system is proposed to predict students’ academic status, categorizing student performance into four states: “excellent,” “good,” “needs more effort,” and “needs guidance.” the findings of this study indicate that the neural network can perform better than deep learning–based regression.