استفاده از داده‌کاوی برای پیش‌بینی عملکرد استاد

 

 

 

استفاده از داده‌کاوی برای پیش‌بینی عملکرد استاد

                                                      استفاده از داده‌کاوی برای پیش‌بینی عملکرد استاد

آیا داده‌کاوی برای پیش‌بینی عملکرد استاد موثر می باشد ؟

استفاده از داده‌کاوی برای پیش‌بینی عملکرد استاد

Abstract

During these decades, data mining has become one of the effective tools for data analysis and knowledge management system, so that there are many areas which adapted data mining approach to solve their problems. Using data mining in education to enhance the education system is still relatively new. This paper focuses on predicting the instructor performance and investigates the factors that affect students’ achievements to improve the education system quality. Turkey Student Evaluation records dataset is considered and run on different data classifier such as J48 Decision Tree, Multilayer Perception, Naïve Bayes, and Sequential Minimal Optimization. Comparison of all the four classifiers is conducted to predict the accuracy and to find the best performing classification algorithm among all. The conclusions of this study are very promising and provide another point of view to evaluate student performance. It also highlights the importance of employing data mining tools in the field of education. The results show that using the attribute evaluation method on the .dataset increases the prediction performance accuracy

چکیده

در دهه‌های اخیر داده‌کاوی به یکی از ابزارهای مؤثر برای تحلیل داده و سیستم مدیریت دانش تبدیل شده است به طوری که بسیاری از حوزه‌ها روش داده‌کاوی را برای حل مسائلشان اتخاذ کرده‌اند. استفاده از داده‌کاوی در آموزش جهت ارتقاء سیستم آموزشی هنوز نسبتاً جدید است. این مقاله بر پیش‌بینی عملکرد استاد و بررسی عوامل مؤثر بر موفقیت دانشجویان جهت بهبود کیفیت سیستم آموزشی تمرکز دارد. مجموعه داده‌های ارزیابی دانشجویانی از ترکیه در نظر گرفته شده و کلاسبندهای داده‌ی مختلفی مانند درخت تصمیم J48، پرسپترون چند لایه، نیو بیز و بهینه‌سازی متوالی کمینه بر روی این داده‌ها اجرا شدند. مقایسه‌ای از چهار کلاسبند برای پیش‌بینی دقت و یافتن بهترین الگوریتم کلاسبند در میان آن‌ها انجام شده است. نتایج این مطالعه بسیار امیدبخش بوده و دیدگاه دیگری برای ارزیابی عملکرد دانشجویان ارائه می‌نماید. آن همچنین اهمیت به‌کارگیری ابزارهای داده‌کاوی در زمینه‌ی آموزش را برجسته می‌نماید. نتایج نشان می‌دهد که استفاده از روش ارزیابی مشخصه بر روی مجموعه داده، دقت عملکرد پیش‌بینی را افزایش می‌دهد.

1-مقدمه

امروزه داده‌کاوی (DM) توجه بسیاری را در حوزه‌ی تحلیل به خود جلب کرده و آن به ابزار جدید شناخت­پذیری برای تحلیل داده تبدیل شده و می‌توان آن را برای استخراج دانش معنی‌دار و ارزشمند به کار برد. داده‌کاوی روش‌های امیدوارکننده‌ای برای کشف الگوهای پنهان در حجم زیادی از داده‌ها ارائه می‌نماید. این الگوهای پنهان می‌توانند به طور بالقوه‌ای برای پیش‌بینی رفتار آینده استفاده شوند…

1-   پس‌زمینه

در سال‌های گذشته، مطالعات متعددی به بررسی داده‌کاوی برای اهداف آموزشی پرداخته‌اند. مینایی-بیدگلی یکی از اولین نویسندگانی هستند که از الگوریتم ژنتیک برای کلاسبندی عملکرد دانشجویان به منظور پیش‌بینی نمرات نهایی آن‌ها استفاده کردند [5]. داده‌کاوی در آموزش از سال 1995 تا 2005 در [3] که مقاله‌ی تحقیقاتی مهمی در این زمینه می­باشد بررسی شده است. موفقیت تحصیلی دانشجویان (طبقه بندی شده به کلاس‌های پایین، متوسط و با ریسک بالا) با استفاده از روش‌های داده‌کاوی مختلف مانند درخت تصمیم (DT)، شبکه عصبی (NN) در [6] پیش‌بینی شده است. پژوهش انجام شده در [7] در تلاش برای بررسی دلیل شکست در دو کلاس هسته (ریاضی و پرتقالی) از دانش­آموزان دو دبیرستان از منطقه‌ی آلنتجو پرتقال است. نتیجه نشان داد که هر دو الگوریتم NN و DT دقت پیش‌بینی 72% برای یک مجموعه داده‌ی چهار کلاسه دارند.

کارآمدترین روش‌های یادگیری ماشین در پیش‌بینی نمره نهایی دانشجویان کارشناسی ارشد دانشگاه انفورماتیک ایونی در [8] مورد بررسی قرار گرفت. مشخص شد که نیو بیز (NB) و الگوریتم K نزدیک‌ترین همسایه هنگامی که تعداد نمونه‌های مورد بررسی کم باشند عملکرد نمرات نهایی دانشجویان را به دقت پیش‌بینی می‌کنند. در تحقیق انجام شده در [9] تلاش شده است که تکنیک‌های داده‌کاوی با استفاده از میکروسافت و وکا بر روی مجموعه داده‌های کوچک دانشجویان اعمال شود. نتایج نشان دادند که پیش‌بینی به طور قابل ملاحظه‌ای توسط هر دو تکنولوژی موفقیت‌آمیز است. در [10] روش جدیدی برای پیش‌بینی عملکرد دانشجویان با استفاده از تفسیر داده‌کاوی معرفی شده که از تخصیص نهفته‌ی دیریکله (LDA) و ماشین بردار پشتیبان (SVM) استفاده می‌کند. نتایج بسیار امیدوارکننده بودند.

 

استفاده از داده‌کاوی برای پیش‌بینی عملکرد استاد

 

 

 

 

 

منبع : گوگل

محصول مفیدی برای شما بود ؟ پس به اشتراک بگذارید برای دوستانتان
درباره این محصول نظر دهید !
  • توضیحات محصول را به خوبی بخوانید و در صورت نیاز به راهنمایی از بخش کاربری و سیستم تیکت استفاده نمایید .
  • پشتیبانی محصولات سیستم تیکت و تماس از طریق واتس آپ می باشد .
  • برای دریافت آخرین نسخه محصولات و دسترسی همیشگی به محصولات خریداری شده حتما در سایت عضو شوید .
  • پرداخت از طریق درگاه بانکی انجام میشود در غیر این صورت با ما تماس بگیرید
قالب فروش فایل

محصولات مرتبط