پیش بینی رتبه کشوری

هدف: این پژوهش به بررسی و مقایسه مدل های یادگیری جمعی می پردازد تا بتواند به پیش بینی دقیق تری از رتبه کشوری دانش آموزان در کنکور سراسری دست یابد. هدف اصلی این پژوهش شناسایی مدل های بهینه ای است که با تحلیل داده های آزمون های آمادگی که پیش از کنکور برگزار می شود، بتوانند رتبه دانش آموزان را با بیشترین دقت پیش بینی کنند. مدل های شناسایی شده می توانند به مشاوران تحصیلی کمک کنند تا با ارائه توصیه های دقیق تر و مبتنی بر داده، به دانش آموزان در انتخاب مسیر تحصیلی و برنامه ریزی آموزشی کمک کنند. روش: در این پژوهش، به منظور تحلیل دقیق عملکرد دانش آموزان، از نرم افزار Octoparse برای جمع آوری داده های مرتبط با آزمون قلمچی کانون فرهنگی آموزش استفاده شد. مجموعه داده ها اطلاعات مهمی بودند، نظیر میانگین نمره آزمون، رتبه های کشوری و منطقه ای، رشته های تحصیلی و دانشگاه های قبولی دانش آموزان. همچنین در این مطالعه، چهار مدل پیشرفته یادگیری جمعی شامل XGBoost، LightGBM، CatBoost و Random Forest به منظور مقایسه و ارزیابی عملکرد در پیش بینی رتبه کشوری دانش آموزان انتخاب شد. به منظور سنجش دقت و کارایی این مدل ها، از معیارهای متنوعی مانند میانگین مربعات خطا، جذر میانگین مربعات خطا، ضریب تعیین و همچنین زمان های آموزش و پیش بینی استفاده شد. داده های جمع آوری شده، به دو بخش آموزشی و آزمایشی تقسیم شدند تا مدل ها بتوانند به بهترین شکل آموزش ببینند و ارزیابی شوند. به منظور دستیابی به عملکرد بهینه، از روش جست وجوی شبکه ای بهره گرفته شد که به ما اجازه می دهد پارامترهای مدل ها را به طور دقیق تنظیم کنیم و بهترین نتایج ممکن را به دست آوریم. یافته ها: نتایج این مطالعه نشان دهنده عملکرد برجسته مدل های XGBoost و LightGBM در پیش بینی رتبه کشوری دانش آموزان بود. مدل XGBoost به عنوان دقیق ترین گزینه شناخته شد؛ زیرا پیش بینی هایی ارائه داد که به مقادیر واقعی بسیار نزدیک بود و کمترین میزان خطا را داشت. این دقت بالا باعث شد که XGBoost به عنوان مدل برتر در این پژوهش شناخته شود. مدل LightGBM نیز با نتایج بسیار مشابه XGBoost، به عنوان یکی دیگر از گزینه های برجسته، برای پیش بینی رتبه کشوری انتخاب شد. این مدل به خاطر سرعت و دقت زیاد، مورد توجه قرار گرفت و به عنوان ابزاری مؤثر در این زمینه شناخته شد. مدل Random Forest نیز با دقتی بهتر نسبت به CatBoost عمل کرد؛ هرچند زمان بیشتری برای آموزش و پیش بینی نیاز داشت. در مقابل، مدل CatBoost به عنوان ضعیف ترین گزینه شناخته شد؛ زیرا در مقایسه با سایر مدل ها دقت کمتری داشت و مقادیر خطای بیشتری ارائه می کرد؛ هرچند سرعت پیش بینی آن بیشتر بود. به نظر می رسد که این مدل به بهبود نیاز دارد تا بتواند با دیگر مدل های موفق رقابت کند. نتیجه گیری: یافته ها نشان می دهد که مدل های XGBoost و LightGBM به عنوان دو ابزار مؤثر در یادگیری جمعی، عملکرد بسیار خوبی برای پیش بینی رتبه دانش آموزان در آزمون های سراسری دارند. این مدل ها با دقت بالا و عملکرد بهینه، می توانند به عنوان راهنماهایی ارزشمند در سیستم های آموزشی عمل کنند و به بهبود فرایندهای یادگیری کمک کنند. این مدل ها قادرند دانش آموزانی را که ممکن است در مسیر تحصیلی خود با چالش مواجه شوند، شناسایی کنند و به طراحی برنامه های یادگیری مؤثرتر یاری دهند. علاوه براین، نتایج این پژوهش می تواند به رهبران مدارس و سیاست گذاران برنامه های آموزشی کمک کند تا تصمیم های هوشمندانه تری در جهتِ ارتقای عدالت آموزشی اتخاذ کنند؛ به طوری که فرصت های یادگیری برابر، برای همه دانش آموزان فراهم شود. در آینده، استفاده از مدل های پیشرفته تر یادگیری عمیق و اضافه کردن داده های مرتبط، مانند عوامل اجتماعی، اقتصادی و نوع مدارس، می تواند به بهبود دقت پیش بینی ها منجر شود. همچنین، ترکیب مدل های مختلف یادگیری ماشین برای ایجاد مدل های ترکیبی می تواند به افزایش دقت و کاهش خطاهای پیش بینی کمک کند. به طور کلی، این پژوهش می تواند نقطه عطفی برای توسعه سیستم های پیش بینی و تصمیم گیری در حوزه آموزش در کشور شمرده شود و زمینه ساز بهبودهای چشمگیر در این زمینه باشد.