دسته بندی و پیش بینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک های داده کاوی
آرشیو
چکیده
داده کاوی و کشف الگوها و دانش نهفته در داده های سیستم های آموزشی کمک شایانی به تصمیم گیرندگان عرصه آموزش عالی جهت بهبود فرآیند های آموزشی نظیر برنامه ریزی، ثبت نام، ارزیابی و مشاوره می نماید. هدف مقاله حاضر، دسته بندی و پیش بینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک های داده کاوی است. در این مقاله سعی شده با استفاده از داده های دموگرافیک و سوابق تحصیلی دانشجویان و آماده سازی مناسب داده ها و با کمک تکینک های دسته بندی درخت تصمیم، رگرسیون لجستیک، نزدیکترین همسایگی و شبکه های عصبی مدل های مختلفی برای پیش بینی وضعیت تحصیلی دانشجویان در نیمسال آینده ارائه شود. در نهایت مقایسه ای میان نتایج حاصل از تکنیک های مختلف صورت گرفته و بهترین مدل ها در دسته بندی صحیح دانشجویان مدل نزدیکترین همسایگی و سپس شبکه های عصبی شناخته شده اند. بر همین اساس می توان مدل های پیشنهادی را به عنوان یک ابزار پشتیبان تصمیم گیری در سیستم های آموزشی مورد استفاده قرار داد.Classification and prediction of students’ educational status using data mining techniques.
Data mining and discovering hidden knowledge and patterns from data in educational systems enables the decision makers in higher education domain to improve educational processes such as planning, enrollment, assessment and counseling. The goal of this study is to classify students and prediction of their educational status using data mining techniques. In this research, we have tried to build proper models for predicting students’ educational status in the following semester using appropriate data preparation of their demographic and educational history and applying it to different classification techniques including decision tree, logistic regression, k-nearest neighbor and neural networks. Finally we have compared the results obtained from these techniques and offered k-nearest neighbor and neural networks as the best models for students’ classification. On this basis, proposed models can be utilized as a decision supporting tool in educational systems
تبلیغات
