ارائه رویکردهای مبتنی بر یادگیری ماشین سنتی و رگرسیونی روی پیش بینی عملکرد دانش آموزان مؤسسات عالی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه: پیش بینی عملکرد دانش آموزان به یک خواسته مبرم در اکثر نهادها و مؤسسات آموزشی و آموزشی عالی تبدیل شدهاست. این مسئله برای کمک به دانشآموزان در معرض خطر و اطمینان از حفظ آنها، ارائه منابع و تجربیات عالی یادگیری و بهبود رتبه و شهرت مؤسسات ضروری است. با این حال، دستیابی به آن برای مؤسسات استارت آپی که سوابق کوچکی برای تجزیه و تحلیل دارند، ممکن است دشوار باشد. هدف از پژوهش حاضر ارائه رویکردهای مبتنی بر یادگیری ماشین سنتی و رگرسیونی روی پیش بینی عملکرد دانش آموزان بود. روش: پژوهش حاضر از نوع پژوهش های کیفی بوده و از لحاظ هدف کاربردی و از لحاظ روش از نوع پژوهش های تحلیلی آزمایشی بود. در این پژوهش از روش های رگرسیون خطی، درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبانی استفاده شد. در این بخش پس از معرفی محیط پیاده سازی، پارامترهای شبیه سازی معرفی شد. در ادامه نیز با معرفی معیارهای ارزیابی کارایی روش پیشنهادی بر اساس معیارهای ارزیابی موصوف بررسی و یافته ها با دیگر روش های مشابه مقایسه شد. که برای این مقایسات از رویکرد یادگیری عمیق مبتنی بر شبکه کانولوشنی عمیق و دیگر رویکردهای یادگیری عمیق استفاده می شود. در این تحقیق همچنین از مجموعه داده های مدرسه پسرانه دکتر هشت رودی که جزو 10 مؤسسه برتر در تهران می باشد استفاده شد. نتیجه گیری: نتایج اصلی این مطالعه کارایی جنگل تصادفی را در آموزش داده های کوچک و در تولید نرخ آزمون دقیق نشانمیدهد.متن
Presenting approaches based on traditional machine learning and regression on predicting the performance of students of higher institutions
Introduction: Predicting student performance has become an urgent demand in most educational and higher education institutions. This is essential to help at-risk students and ensure their retention, provide excellent learning resources and experiences, and improve the ranking and reputation of institutions. However, this may be difficult to achieve for start-up organizations with small records to analyze. The purpose of the current research was to provide approaches based on traditional machine learning and regression on predicting students' performance.Method: The current research was of the qualitative research type and applied in terms of purpose and experimental analytical research in terms of method. Linear regression, decision tree, random forest and support vector machine methods were used in this research. In this section, after introducing the implementation environment, simulation parameters were introduced. In the following, by introducing the efficiency evaluation criteria of the proposed method, based on the described evaluation criteria, the findings were compared with other similar methods. For these comparisons, deep learning approach based on deep convolutional network and other deep learning approaches are used. In this research, the data collection of Dr. Hasht Roudi boys' school, which is among the top ۱۰ institutions in Tehran, was used. The data of this institution are publicly available and can be downloaded through the GitHub site. Further investigation has been done on these data. The figure below shows the frequency of features in the dataset. that these features are considered as and on models.
تبلیغات
