نوع مقاله : مقاله پژوهشی

نویسندگان

• رمضان خسروی ¹
• اکرم اسماعیلی اول ²

¹ عضو هیات علمی گروه مهندسی صنایع/ دانشکده فنی مهندسی/ مجتمع آموزش عالی گناباد، گناباد، ایران

² استاد مدعو، مجتمع آموزش عالی گناباد، گناباد، ایران

چکیده

درک عوامل موثر بر عملکرد تحصیلی دانشجویان و پیش‌بینی این عملکرد یک مساله مهم و چالش‌برانگیز برای مدیران هر دانشگاهی است. شناسایی این عوامل و تدارک اقدامات مدیریتی مناسب، همچون ارائه مشاوره‌های لازم به دانشجویان، برگزاری سمینارها و دوره‌های آموزشی، می‌تواند به بهبود عملکرد تحصیلی آن‌ها منجر شود. در این تحقیق سعی شده است با بکارگیری روش‌های داده‌کاوی روی داده‌های تحصیلی و غیرتحصیلی مرتبط جمع‌آوری شده از دانشجویان مجتمع آموزش عالی گناباد، مدل‌هایی مناسب برای پیش‌بینی معدل آنها ارائه گردد. برای توسعه این مدل‌ها، ابتدا با استفاده از دو روش رگرسیون بهترین زیرمجموعه‌ها و الگوریتم ژنتیک، متغیرهای تاثیرگذار شناسایی شدند. در ادامه، برای هر دسته از متغیرهای تاثیرگذار شناسایی شده، معدل کل دانشجویان با استفاده از دو روش درخت تصمیم و شبکه عصبی پیش‌بینی شده است. نتایج نشان می‌دهد استفاده از الگوریتم ژنتیک برای تعیین متغیرها و استفاده از درخت تصمیم برای پیش‌بینی منجر به دقت بالاتری در پیش‌بینی می‌شود.

کلیدواژه‌ها

• ارزیابی عملکرد تحصیلی
• داده‌کاوی
• الگوریتم ژنتیک
• درخت تصمیم
• رگرسیون

موضوعات

• برنامه‌ریزی، تصمیم گیری و حل مسائل مدیریتی

عنوان مقاله [English]

Predicting Educational Performance using Data Mining Techniques

نویسندگان [English]

• Ramezan Khosravi ¹
• Akram Esmaeili Avval ²

¹ Faculty Member of Industrial Engineering Group, University of Gonabad, Gonabad, Iran

² University of Gonabad

چکیده [English]

Identifying factors that affects students’ performance can help universities and higher education institutions in improving the quality of education. The knowledge acquired from educational data can help decision makers in understanding students’ behaviors and improving students’ performance. In this research, using the data collected from the students, some models for predicting their educational performance (in terms of their average score) are proposed. To develop these models, first, the affecting factors are identified using the best subsets regression and genetic algorithm. Then, using the identified factors, the average score of the students is predicted by the decision three and neural network methods. The results revealed that the predictions from the decision tree algorithm based on the factors obtained from the genetic algorithm were more accurate than from the others. Beside the real data collected from the students, the use of different data mining techniques provides rich information, which made the decisions more sensible.

کلیدواژه‌ها [English]

• Educational Performance
• Data Mining
• Decision Tree
• Genetic Algorithm
• Regression