@article { author = {Heydari, Somayyeh and Yaghini, Masoud}, title = {Classification and prediction of students’ educational status using data mining techniques.}, journal = {Higher Education Letter}, volume = {3}, number = {12}, pages = {107-124}, year = {2011}, publisher = {Institute for Research & Planning in Higher Education}, issn = {2008-4617}, eissn = {2783-2139}, doi = {}, abstract = {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}, keywords = {Higher Education,Educational Data Mining,Classification,prediction,Student’s Educational Success,Student’s Educational Trend}, title_fa = {دسته‌بندی و پیش‌بینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک‌های داده‌کاوی}, abstract_fa = {داده‌کاوی و کشف الگوها و دانش نهفته در داده‌‌های سیستم‌های آموزشی کمک شایانی به تصمیم‌گیرندگان عرصه آموزش عالی جهت بهبود فرآیند‌های آموزشی نظیر برنامه‌ریزی، ثبت‌نام، ارزیابی و مشاوره می‌نماید. هدف مقاله حاضر، دسته‌بندی و پیش‌بینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک‌های داده‌کاوی است. در این مقاله سعی شده با استفاده از داده‌های دموگرافیک و سوابق تحصیلی دانشجویان و آماده‌سازی مناسب داده‌ها و با کمک تکینک‌های دسته‌بندی درخت تصمیم، رگرسیون لجستیک، نزدیکترین همسایگی و شبکه‌‌های عصبی مدل‌‌های مختلفی برای پیش‌بینی وضعیت تحصیلی دانشجویان در نیمسال آینده ارائه شود. در نهایت مقایسه‌ای میان نتایج حاصل از تکنیک‌های مختلف صورت گرفته و بهترین مدل‌ها در دسته‌بندی صحیح دانشجویان مدل نزدیکترین همسایگی و سپس شبکه‌های عصبی شناخته شده‌اند. بر همین اساس می‌توان مدل‌های پیشنهادی را به عنوان یک ابزار پشتیبان تصمیم‌گیری در سیستم‌های آموزشی مورد استفاده قرار داد.}, keywords_fa = {آموزش عالی,داده‌کاوی آموزشی,دسته‌بندی,پیش‌بینی,موفقیت تحصیلی دانشجو,روند تحصیلی دانشجو}, url = {https://journal.sanjesh.org/article_15694.html}, eprint = {https://journal.sanjesh.org/article_15694_b498a86d309c6ed453654ae43fd13de9.pdf} }