تشخیص سطح علمی دانشجویان با بررسی کلیک روزانه در سامانه های آموزش الکترونیکی

داده های جریان کلیک سامانه های آموزش الکترونیکی اهمیت زیادی در رابطه با تشخیص سطح علمی دانشجویان آن سامانه ها دارد. بیشتر مطالعات قبلی صورت گرفته بر داده های جریان کلیک، مبتنی بر الگوریتم های یادگیری ماشین بوده است. با توجه به اهمیت الگوریتم های گراف پدیداری و کارایی مطلوب آن ها در تحلیل داده های سری زمانی و تولید آورده های جدید محاسباتی، کارایی مطلوب در پیش بینی و تشخیص قابلیت های متمایز دو سری زمانی مختلف، با نگاشت آن به حیطه داده های آموزشی نیز می توان از این پتانسیل ها بهره برد. هدف این پژوهش تحلیل میانگین کلیک روزانه دانشجویان ممتاز و ضعیف و تبدیل به گراف پدیداری طبیعی و بررسی با معیارهای تحلیل شبکه پیچیده مانند مرکزیت درجه، مرکزیت نزدیکی و توزیع درجه برای تشخیص تفاوت رفتاری آن ها است. داده های پژوهش از سامانه آموزشی متن باز OULAD که حاوی اطلاعات تعامل دانشجویان با سامانه است، انتخاب شده است. نتایج بیانگر این مفهوم است که بالاتر بودن مرکزیت درجه، مرکزیت نزدیکی و توزیع درجه متمایز کننده دانشجو ممتاز از ضعیف و تایید کننده عدم شباهت رفتاری دانشجویان براساس میانگین کلیک هایشان در سامانه است. میانگین دقت این معیارها با الگوریتم های درخت تصمیم، جنگل تصادفی و KNN و... بعد از اجرا در ده لایه صورت گرفته که الگوریتم درخت تصمیم با 78 درصد بهترین میانگین دقت تفکیک کنندگی را داشته است.