کاربست فنون داده‌ کاوی در تبیین صحت مدل ‌های پیش بینی افت تحصیلی دانشجویان

مقدمه: افت تحصیلی دانشجویان یکی از آفت‌ های سیستم آموزش عالی است و وجود سیستمی برای پیش ‌بینی و در نتیجه پیشگیری از وقوع آن، می ‌تواند نقش تعیین کننده‌ ای در ارتقای کیفیت آموزش باشد. استفاده از داده‌ کاوی آموزشی، از موثرترین راهبردهای پایش و بهبود کیفیت آموزش است. این مطالعه با هدف مقایسه فنون مختلف داده‌ کاوی و مشخص ساختن بهترین مدل پیش‌ بینی انجام شده است.مواد و‌ روش‌ ها: جامعه پژوهش، کلیه دانشجویان دوره کارشناسی رشته های علوم آزمایشگاهی، مدیریت اطلاعات سلامت و تکنولوژی علوم پرتوی دانشگاه علوم پزشکی و خدمات بهداشتی درمانی تهران در سال تحصیلی 98-1397 بودند و نمونه ‌ای به حجم 500 نفر انتخاب شد. بعد از اجرا و کنار گذاشتن پرسش نامه ‌های مخدوش، 153 پرسش نامه از رشته علوم آزمایشگاهی، 85 پرسش نامه مدیریت اطلاعات سلامت، و 73 پرسش نامه رشته تکنولوژی علوم پرتوی مورد تحلیل قرار گرفت. ابزار جمع‌ آوری داده ‌ها، پرسش نامه سنجش افت‌ تحصیلی دانشجویان با ضریب پایایی 0.971 بود که روایی آن توسط متخصصان تایید شد. داده ‌های جمع ‌آوری شده از دانشجویان با الگوریتم ‌های رگرسیون لجستیک، درخت تصمیم، شبکه عصبی، شبکه بیزین و ماشین بردار پشتیبان و با استفاده از نرم افزار sppss vol.16، smart_pls3 و sppss_modeller18 کلمنتاین تحلیل ‌شد.یافته ‌های پژوهش:‌ یافته‌ ها نشان ‌داد، میزان افت تحصیلی در رشته‌ های مختلف در سطح معناداری 0.05 متفاوت است. در رشته علوم آزمایشگاهی، میزان صحت مدل پیش بین داده ‌ها در الگوریتم‌ های متفاوت به ترتیب بهترین مدل پیش‌بینی عبارت است از: الگوریتم‌ های درخت ‌تصمیم و شبکه ‌بیز، ماشین ‌بردار‌ پشتیبان، شبکه‌ عصبی و رگرسیون‌ لجستیک. در رشته مدیریت اطلاعات سلامت و تکنولوژی علوم پرتوی میزان صحت مدل پیش بین داده ‌ها در الگوریتم‌ های متفاوت به ترتیب بهترین مدل پیش ‌بینی عبارت است از: الگوریتم‌ شبکه ‌بیز، ماشین ‌بردار ‌پشتیبان، شبکه‌ عصبی و رگرسیون ‌لجستیک. الگوریتم درخت تصمیم جوابی نداشت. هم چنین آزمون خی ‌دو نشان داد تفاوت موجود بین الگوریتم‌ های به دست آمده از لحاظ آماری در رشته علوم آزمایشگاهی در سطح 0.05 معنادار نیست، در رشته مدیریت اطلاعات و در رشته تکنولوژی علوم پرتوی در سطح 0.01 معنادار است.بحث‌ و نتیجه ‌گیری: نتایج بیان‌ کننده این‌است که در داده‌ های واقعی مدل رگرسیون‌لجستیک توان پیش‌ بین کمتری نسبت‌ به مدل‌ های شبکه ‌ای داراست و در هر مجموعه از داده‌ ها، الگوریتم پیش ‌بین مناسب داده را باید کاوش‌کرد. الگوریتم های پیش ‌بین، به‌ خوبی توان پیش ‌بینی افت تحصیلی را در هر سه رشته‌ مورد بررسی در دانشکده پیراپزشکی را داراست و می توان از آن، در امر آموزش دانشجویان پزشکی و پیراپزشکی به منظور شناسایی دانشجویان در معرض خطر افت ‌تحصیلی جهت انجام اقدامات مربوط به پیشگیری، استفاده کرد.

Application of Data Mining Techniques in Determining the Accuracy of the Models Predicting the Student Academic failure

Introduction: Student academic failure is one of the shortcomings of higher education system. A system with the ability to predict and prevent the academic failure can play a decisive role in enhancing the quality of education. The utilization of educational data mining is one of the most effective strategies in monitoring and improving the quality of education. This study aimed to compare different data mining techniques in order to determine the best prediction model. Materials Methods: The study population consists of all undergraduate students studying Medical Laboratory Sciences, Health Information Technology Management, and Radiation Sciences Technology in Tehran University of Medical Sciences, Tehran, Iran in the academic year of 20182019. In total, 500 were selected to participate in this study. After administering and excluding the invalid questionnaires, 153, 85, and 73 questionnaires from the students of Medical Laboratory Sciences, Health Information Technology Management, and Radiation Sciences Technology were analyzed, respectively. The data were collected using studentschr('39') academic failure questionnaire with a reliability Cronbachchr('39')s alpha coefficient of 0.971 and confirmed content validity by experts. Furthermore, the data were analyzed in SPSS (version 16), SmartPLS 3, and SPSSModeler (Clementine) (version 18) software through logistic regression, decision tree, neural network, Bayesian network, and the support vector machine algorithms. Ethics code: IR.UT.PSYEDU.REC.1398.024 Findings: The results showed a significant difference among the majors in terms of the level of academic failure (P=0.046). Regarding the Medical Laboratory Sciences, the descending order of the accuracy of the data prediction model using each algorithm includes decision tree and Bayesian network, support vector machine, neural network, and logistic regression. In addition, considering the Health Information Technology Management and Radiation Sciences Technology, the best prediction models were Bayesian Network, Support Vector Machine, Neural Network, and logistic regression in a descending order. It is worth mentioning that the decision tree algorithm had no answer. Furthermore, the Chisquare test showed a statistically significant difference among the students of Medical Laboratory Sciences (0.88), Health Information Technology Management (0.001), and Radiation Science Technology (0.000) regarding the obtained algorithms. Discussion Conclusions: The results indicated that the logistic regression model had less predictive power in real data, compared to the network models. Therefore, the appropriate data prediction algorithm must be explored in any dataset. Predictive algorithms are well capable to predict academic failure in all three majors at the departments of allied medical sciences. Moreover, it can be used for medical and allied medical science students to identify students at the risk of failing to take preventive measures.