داده کاوی آموزشی

انصراف دانشجو یکی از چالش های پیش روی آموزش عالی است. مقاله حاضر رویکرد پذیرش دانشجوی شهریه پرداز را نوعی کسب وکار و انصراف دانشجو را روی گردانی مشتری در نظر گرفته است و به دنبال بررسی عوامل انصراف دانشجویان و اتخاذ سیاست های مداخله جویانه بازدارنده است. پژوهش پیش رو کاربردی از نوع توصیفی است که به کمک داده های کمی و کیفی بر مبنای روش پژوهش کریسپ از داده کاوی اطلاعات دانشجویان ورودی شهریه پرداز (21420 دانشجو دانشگاه تهران طی سال های 1392- 1388) استخراج شده از بانک های اطلاعاتی سیستم آموزش دانشگاه تهران، اجرا شده است. هدف آن، تحلیل رفتار دانشجویان به منظور شناسایی دانشجویان در معرض خطر انصراف و ارائه مدل پیش بینی احتمال انصراف است. پس از تحلیل داده ها و ارائه مدل پیش بینی، جدول احتمال انصراف و مدل رگرسیونی انصراف، یافته های پژوهش ترم اول و دوم (به ویژه ترم اول در دوره سنی 31-24 سال) را به منزله پرخطرترین دوره زمانی، دانشجویان ارشد را مستعدترین مقطع و دوره شبانه را پرخطرترین دوره تحصیلی برای انصراف دانشجو (روی گردانی مشتری) شناسایی کرد.

رشد و پیشرفت دانشجویان، به عنوان سرمایه های آینده این کشور، همواره مورد اهمیت و توجه نظام آموزش و پرورش بوده است. چه بسیار دانشجویانی هستند که خلاقیت و استعدادشان شکوفا شده است و در عوض، ما سالیانه با تعداد کثیری از دانشجو مواجه هستیم که استعدادهایشان تلف شده و از موفقیت دور شده اند. امروزه، با افزایش دانشجویان در مقاطع مختلف دانشگاهی و تنوع رشته های تحصیلی، لزوم هدایت صحیح دانشجویان بیش تر از قبل احساس می شود. بدین منظور داده کاوی آموزشی در سال های اخیر موردتوجه ویژه مسئولان نظام آموزش و پرورش قرارگرفته است. تاکنون روش ها و تکنیک های دسته بندی متنوعی در حوزه داده کاوی و یادگیری ماشین به منظور دسته بندی و پیش بینی عملکرد دانشجویان به کار گرفته شده اند. اما این دسته بندهای تکی برای پیش بینی عملکرد در فرآیند آموزش محدودیت هایی از قبیل پیچیدگی و عدم ثبات دارند. برای مقابله با این مشکل دسته بندهای جمعی به عنوان روش های نوین و کارآمد مطرح می شوند. سیستم های دسته بند جمعی نتایج چندین دسته بند تکی را ترکیب می کنند و مدلی با عملکرد بهتر ارائه می دهند. در این پژوهش یک دسته بند جمعی جدید با استفاده از شبکه های عصبی چندلایه و خوشه بندی SOM به منظور تخمین و دسته بندی معدل دانشجویان دوره کارشناسی ارائه شده است. همچنین از روش ترکیبی میانگین گیری و رأی اکثریت برای ترکیب نتایج دسته بندهای تکی استفاده شده است. نتایج ارزیابی بر روی داده های واقعی دانشگاه نشان می دهد که مدل پیشنهادی ارائه شده در این پژوهش دقت و کارایی بیشتری نسبت به روش های دسته بندی منفرد مشهور و پرکاربرد دارد. همچنین مدل پیشنهادی در مقایسه با روش های جمعی معروف، عملکرد بهتری در دسته بندی معدل دانشجویان داشته است.

استفاده از روش ها و تکنیک های مختلف در جهت رسیدن به بهترین نتایج و ایجاد هم افزایی بین آن ها می تواند در بسیاری از مسائل راه گشا و کمک کننده باشد. داده کاوی آموزشی یکی از حوزه های نسبتاجدیدی است که می توان به کمک آن در حل مسائل آموزشی و بویژه مسائل حوزه سنجش و اندازه گیری اقدام کرد. اما قبل از استفاده از این روش ها باید تا حد امکان با ان آشنا شده و مشکلات و معایب و مزایای آن مورد بررسی قرار گیرد. در این پژوهش نیز هدف بررسی تکنیک طبقه بندی ماتریس ها نامنفی و چگونگی تعیین تعداد خوشه ها قبل از اجرای مدل است. روش اجرای پژوهش از نوع توصیفی و جامعه مورد مطالعه تمامی حاضرین جلسه کنکور رشته علوم ریاضی و فنی در سال 1398 است که از این تعداد 5000 نفر به صورت تصادفی توسط سازمان سنجش و آموزش کشور انتخاب و در اختیار پژوهشگر قرار گرفت. ابزار پژوهش سؤالات حسابان و هندسه کنکور است. نتایج این تحلیل نشان داد که در برآورد تعداد خوشه های سؤالات حسابان اختلاف وجود دارد ولی در مورد سؤالات هندسه نتایج تمامی روش ها یکسان بود. با توجه به اختلاف مشاهده شده پیشنهاد می شود که در پژوهش های آتی با کمک شبیه سازی داده به بررسی دقیق تر این مسأله پرداخته شود.

هدف پژوهش حاضر، توسعه مدلی برای پیش بینی شرایط اخراج آموزشی دانشجویان مقطع کارشناسی رشته های مهندسی بوده که به روش داده کاوی و با استفاده از الگوریتم شبکه عصبی به اجرا درآمده است. جامعه آماری، دربرگیرنده کلیه پذیرفته شدگان سال های 1387 لغایت 1390 در سه مورد از دانشگاه های فنی و مهندسی کشور بوده است. داده های پژوهش با بهره برداری مستقیم از سیستم های آموزش هر سه دانشگاه در مدل سازی وارد شدند. نتایج حاکی از آن است که با   بهره گیری از داده های موجود در سیستم های حوزه آموزش دانشگاه ها و به خدمت گرفتن شبکه عصبی می توان با صحت بیش از 95 درصد نسبت به پیش بینی وضعیت تحصیلی یکایک دانشجویان اقدام نمود. کارآئی مدل های حاصله در دانشگاههای مورد مطالعه، به ترتیب برابر 0.72، 0.556و 0.565 حاصل گردیدند. معدل کل، تعداد واحدهای گذرانده، تعداد نیمسال های مبادرت به   فعالیت های فوق برنامه و تعداد نیمسال های مشروطی قبلی به عنوان به عنوان موثرترین متغیرهای پیش بین، توسط شبکه عصبی تشخیص داده شدند.  

هدف این مطالعه بررسی تأثیر بازی های آموزشی بر اساس مدل برنامه ریزی چندبعدی بر کاهش اضطراب و بهبود مهارت های خودیاری فراگیران پیش دبستانی بود. روش تحقیق حاضر نیمه آزمایشی بود. جامعه آماری شامل کلیه کودکان مراجعه کننده به پیش دبستانی در شهر کهگیلویه و بویر احمد بود که از بین آن ها 40 نفر (20 نفر گروه گواه و 20 نفر آزمایش) با استفاده از شیوه نمونه گیری خوشه ای انتخاب شدند. ابزار گردآوری داده ها پرسشنامه اضطراب کودکان اسپنس- نسخه والد و مقیاس مهارت های خودیاری دانشگاه ایالت (1992) بود. برای تحلیل داده ها از نرم افزار SPSS و از آزمون تحلیل کوواریانس استفاده شد. نتایج نشان داد که بازی های آموزشی بر اساس مدل برنامه ریزی چندبعدی بر کاهش مؤلفه های اضطراب (ترس از جراحت های جسمانی، هراس اجتماعی، اختلال اضطراب تعمیم یافته، وسواس-بی اختیاری) تأثیر مثبت و معناداری داشت. همچنین، بازی های آموزشی بر اساس مدل برنامه ریزی چندبعدی بر بهبود مهارت های خودیاری تأثیر مثبت و معناداری داشت؛ بنابراین با توجه به یافته ها پیشنهاد می گردد که بازی های متنوع با کاربردهای آموزشی و مبتنی بر برنامه-ریزی چندبعدی توسط برنامه ریزان دوره پیش دبستانی طراحی شود.

  استفاده از روش ها و تکنیک های مختلف در جهت رسیدن به بهترین نتایج و ایجاد هم افزایی بین آن ها می تواند در بسیاری از مسائل راهگشا و کمک کننده باشد. داده کاوی آموزشی یکی از حوزه های نسبتاً جدیدی است که می توان به کمک آن در حل مسائل آموزشی و به ویژه مسائل حوزه سنجش و اندازه گیری اقدام کرد؛ اما قبل از استفاده از این روش ها باید تا حد امکان با آن آشنا شده و مشکلات و معایب و مزایای آن موردبررسی قرار گیرد. در این پژوهش نیز هدف بررسی تکنیک طبقه بندی ماتریس ها نامنفی و چگونگی تعیین تعداد خوشه ها قبل از اجرای مدل است. روش اجرای پژوهش از نوع توصیفی و جامعه موردمطالعه تمامی حاضرین جلسه کنکور رشته علوم ریاضی و فنی در سال 1398 بود که از این تعداد 5000 نفر به صورت تصادفی توسط سازمان سنجش و آموزش کشور انتخاب و در اختیار پژوهشگر قرار گرفت. ابزار پژوهش سؤالات حسابان و هندسه کنکور بود. نتایج این تحلیل نشان داد که در برآورد تعداد خوشه های سؤالات حسابان اختلاف وجود دارد ولی در مورد سؤالات هندسه نتایج تمامی روش ها یکسان بود. با توجه به اختلاف مشاهده شده پیشنهاد می شود که در پژوهش های آتی با کمک شبیه سازی داده به بررسی دقیق-تر این مسئله پرداخته شود.

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.