کاربست فنون داده کاوی در تبیین صحت مدل های پیش بینی افت تحصیلی دانشجویان

پیام:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
مقدمه

افت تحصیلی دانشجویان یکی از آفت های سیستم آموزش عالی است و وجود سیستمی برای پیش بینی و در نتیجه پیشگیری از وقوع آن، می تواند نقش تعیین کننده ای در ارتقای کیفیت آموزش باشد. استفاده از داده کاوی آموزشی، از موثرترین راهبردهای پایش و بهبود کیفیت آموزش است. این مطالعه با هدف مقایسه فنون مختلف داده کاوی و مشخص ساختن بهترین مدل پیش بینی انجام شده است.

مواد و روش ها

 جامعه پژوهش، کلیه دانشجویان دوره کارشناسی رشته های علوم آزمایشگاهی، مدیریت اطلاعات سلامت و تکنولوژی علوم پرتوی دانشگاه علوم پزشکی و خدمات بهداشتی درمانی تهران در سال تحصیلی 98-1397 بودند و نمونه ای به حجم 500 نفر انتخاب شد. بعد از اجرا و کنار گذاشتن پرسش نامه های مخدوش، 153 پرسش نامه از رشته علوم آزمایشگاهی، 85 پرسش نامه مدیریت اطلاعات سلامت، و 73 پرسش نامه رشته تکنولوژی علوم پرتوی مورد تحلیل قرار گرفت. ابزار جمع آوری داده ها، پرسش نامه سنجش افت تحصیلی دانشجویان با ضریب پایایی 971/0 بود که روایی آن توسط متخصصان تایید شد. داده های جمع آوری شده از دانشجویان با الگوریتم های رگرسیون لجستیک، درخت تصمیم، شبکه عصبی، شبکه بیزین و ماشین بردار پشتیبان و با استفاده از نرم افزار SPPSS vol.16، SMART_PLS-3 و SPPSS_MODELLER-18  کلمنتاین تحلیل شد.

یافته های پژوهش

 یافته ها نشان داد، میزان افت تحصیلی در رشته های مختلف در سطح معناداری 05/0 متفاوت است. در رشته علوم آزمایشگاهی، میزان صحت مدل پیش بین داده ها در الگوریتم های متفاوت به ترتیب بهترین مدل پیش بینی عبارت است از: الگوریتم های درخت تصمیم و شبکه بیز، ماشین بردار پشتیبان، شبکه عصبی و رگرسیون لجستیک. در رشته مدیریت اطلاعات سلامت و تکنولوژی علوم پرتوی میزان صحت مدل پیش بین داده ها در الگوریتم های متفاوت به ترتیب بهترین مدل پیش بینی عبارت است از: الگوریتم شبکه بیز، ماشین بردار پشتیبان، شبکه عصبی و رگرسیون لجستیک. الگوریتم درخت تصمیم جوابی نداشت. هم چنین آزمون خی دو نشان داد تفاوت موجود بین الگوریتم های به دست آمده از لحاظ آماری در رشته علوم آزمایشگاهی در سطح 05/0 معنادار نیست، در رشته مدیریت اطلاعات و در رشته تکنولوژی علوم پرتوی در سطح 01/0 معنادار است.

بحث و نتیجه گیری

 نتایج بیان کننده این است که در داده های واقعی مدل رگرسیون لجستیک توان پیش بین کمتری نسبت به مدل های شبکه ای داراست و در هر مجموعه از داده ها، الگوریتم پیش بین مناسب داده را باید کاوش کرد. الگوریتم های پیش بین، به خوبی توان پیش بینی افت تحصیلی را در هر سه رشته مورد بررسی در دانشکده پیراپزشکی را داراست و می توان از آن، در امر آموزش دانشجویان پزشکی و پیراپزشکی به منظور شناسایی دانشجویان در معرض خطر افت تحصیلی جهت انجام اقدامات مربوط به پیشگیری، استفاده کرد.

زبان:
فارسی
صفحات:
36 تا 46
لینک کوتاه:
magiran.com/p2128776 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 990,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
دسترسی سراسری کاربران دانشگاه پیام نور!
اعضای هیئت علمی و دانشجویان دانشگاه پیام نور در سراسر کشور، در صورت ثبت نام با ایمیل دانشگاهی، تا پایان فروردین ماه 1403 به مقالات سایت دسترسی خواهند داشت!
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 50 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!