دسته‌بندی و پیش‌بینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک‌های داده‌کاوی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 مدرس دانشکده مهندسی صنایع دانشگاه آزاد اسلامی واحد پرند

2 عضو هیئت علمی دانشگاه علم و صنعت ایران

چکیده

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.

کلیدواژه‌ها


عنوان مقاله [English]

Classification and prediction of students’ educational status using data mining techniques.

نویسندگان [English]

  • Somayyeh Heydari 1
  • Masoud Yaghini 2
چکیده [English]

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

کلیدواژه‌ها [English]

  • Higher Education
  • Educational Data Mining
  • Classification
  • prediction
  • Student’s Educational Success
  • Student’s Educational Trend

حیدری، سمیه و یقینی، مسعود (1387).داده‌کاوی جهت ارتقاء و بهبود فرآیند‌های سیستم آموزش عالی. دومین کنفرانس داده‌کاوی، دانشگاه امیرکبیر، ((IDMC 2008.

 

Beikzadeh, M. R. & Delavari, N. (2004). A New Analysis Model for Data Mining Processes in Higher Educational Systems. Proceedings of M2USIC.

Berry, Michael J.A. & Linoff, Gordon S. (2004). Data mining techniques: for marketing, sales, and customer relationship management, 2nd ed.Wiley Publishing, Inc.

Cabena, P., Hadjinian, P., Stadler, R., Verhees, J. & Zanasi, A. (1998). Discovering Data Mining: From Concepts to Implementation. Upper Saddle River, NJ: Prentice Hall.

Edelstein, Herb (1998). Introduction to Data Mining and Knowledge Discovery. Two Crows Corporation.

Giudici, Paolo (2003). Applied data mining: statistical methods for business and industry. John Wiley & Sons Ltd.

Han, Jiawei & Kamber, Micheline (2006). Data Mining: Concepts and Techniques, 2nd ed. Morgan Kaufmann.

Hand, D., Mannila, H. & Smyth, P. (2001). Principles of Data Mining. MIT Press, Cambridge, MA.

Hand, David J. (1998). Data Mining: Statistics and More?. The American Statistician, Vol. 52, No. 2, (112-118).

Larose, Daniel T. (2005).Discovering knowledge in data: an introduction to data mining. John Wiley & Sons, Inc.

Larose, Daniel T. (2006). Data Mining Methods and Models. John Wiley & Sons, Inc.

Luan, Jing (2001). Data mining as driven by knowledge management in the higher education. In Proceedings of SPSS Public Conference, UCSF.

Ranjan, J & Malik, K. (2007). Effectiveeducational process: a data-mining approach. VINE: The journal of information and knowledge management systems, Vol. 37, No. 4, (502-515).

Romero, C. & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, No. 33, (135–146).

Romero, C., Ventura, S. & Garcia, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computers & Education, 51, (368–384).

Schonbrunn, K. & Hilbert, A. (2007). Data Mining in Higher Education. Advances in Data Analysis, Springer-Verlag, Heidelberg-Berlin, (489 – 496).

Yang, M. (2006). Data Mining Techniques Applied to Texas Woman’s University’s Enrollment data – What Can the Data Tell us? MS Thesis, Texaz Woman’s University.