توسعه یک روش بهبود یافته جهت پیش بینی عملکرد آموزشی و تحصیلی دانشجویان، مبتنی بر تکنیک های داده کاوی و یادگیری ماشین

دانشگاه ها و موسسات آموزشی، حجم عظیمی از داده ها، از قبیل اطلاعات فردی و آموزشی دانشجویان را جمع آوری و ذخیره می کنند. رشد بسیار زیاد داده های الکترونیکی در دانشگاه ها، به این واقعیت اشاره دارد که با استفاده از روش های تحلیل داده می توان به نتایج مطلوب در حوزه های آموزشی و پژوهشی دست یافت. یکی از چالش های اصلی محیط آموزشی میزان موفقیت دانشجویان است. این مسیله وجود دارد که مهمترین ویژگی های دانشجویان برای پیش بینی پیشرفت تحصیلی آنها چیست و کدام الگوریتم برای انجام این پیش بینی مناسب تر است و در صورت رسیدن به نتایج مناسب در تحلیل پیشرفت تحصیلی، مدیران چگونه می توانند برنامه ریزی بهتری براساس آن انجام دهند. در این مقاله تمام ویژگی های امکان پذیر دانشجویان در یک موسسه آموزشی، جمع آوری و برخی از الگوریتم های داده کاوی و نیز یک روش پیشنهادی روی داده ها اجرا شده اند و نتایج به دست آمده، بررسی و براساس معیارهای دقت، صحت و بازیابی با یکدیگر مقایسه شده اند. درخت تصمیم با 864/0 کمترین دقت و روش پیشنهادی با 935/0 بالاترین دقت را نشان داد. همچنین مهمترین ویژگی های موثر در پیشرفت تحصیلی دانشجویان شناسایی شدند. با استفاده از این پیش بینی، مدیران نیز می توانند موانع پیش رو را رفع نموده و زمینه را برای پیشرفت دانشجویان فراهم نمایند.