صفحه ی اصلی > اخبار و رویدادها > فناوری اطلاعات > استفاده از داده کاوی برای پیش بینی عملکرد استاد
استفاده از داده کاوی برای پیش بینی عملکرد استاد مشاهده در قالب PDF چاپ فرستادن به ایمیل
نوشته شده توسط محمدرضا عابدرستمی   
شنبه, 09 مهر 1401 ساعت 17:18

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.

کلمات کلیدی: داده‌کاوی، درخت تصمیم، پرسپترون چند لایه، نیو بیز، بهینه‌سازی متوالی کمینه

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]. بر این اساس، داده‌کاوی توسط بسیاری از محققان برای حل مسائل واقعی در حوزه‌های مختلف از قبیل بازاریابی، بازار سهام، ارتباطات راه دور، صنایع، مراقبت‌های بهداشتی، پزشکی و ارتباط با مشتری اتخاذ شده است. اخیراً تعداد معقولی از تحقیقات برای اعمال تکنیک‌های داده‌کاوی در حوزه‌ی آموزش به منظور دسته‌بندی و پیش‌بینی عملکرد دانشجویان در مؤسسات آموزشی متعدد انجام شده‌اند. به‌کارگیری تکنیک‌های داده‌کاوی در آموزش به دلیل اینکه فرصت‌های فوق‌العاده‌ای در این زمینه دارد امیدبخش است.

علاوه بر این، سیستم‌های آموزشی خواستار روش‌های جدیدی که کیفیت، کارایی و موفقیت را بهبود می‌دهند هستند [2]. عمدتاً داده‌کاوی در آموزش برای بررسی تأثیر استراتژی‌های آموزشی بر روی دانشجویان و اینکه چگونه دانشجویان درس را درک می‌کنند استفاده می‌شود [3].

عملکرد آکادمیک دانشجویان مبتنی بر عوامل مختلفی است. مهم‌ترین عوامل مشخصه‌هایی شامل رکوردهای دانشگاهی قبلی، وضعیت اقتصادی، سابقه‌ی خانوادگی، داده‌های جمعیت شناختی و روش‌های پیش‌بینی هستند. بنابراین بسیاری از تحقیقات در این زمینه مربوط به مشخصه‌های خاصی از داده‌های دانشجویان هستند. این مقاله در تلاش است اطلاعات مربوط به ارزیابی دانشجویان را برای اساتید جهت بهبود کیفیت آموزش و نشان دادن عواملی که بر عملکرد دانشجویان مؤثر است بررسی نماید. پیش‌بینی عملکرد دانشجویان به طور عمده به کیفیت روند تدریس مربوط است [4]. در این مقاله برخی از الگوریتم‌های کلاسبندی داده‌ها به مجموعه داده‌های ارزیابی دانشجویان ترکیه برای پیش‌بینی موفقیت دانشجویان، بررسی عملکرد استاد و پیدا کردن بهترین الگوریتم کلاسبندی با دقت بالا اعمال شده‌اند.

2- 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.

3- توصیف مجموعه داده

بسیاری از پژوهش‌های گذشته اغلب از معدل تجمعی (CGPA) و ارزیابی درونی مشخصه‌ها برای پیش‌بینی عملکرد دانشجویان استفاده کرده‌اند. یکی دیگر از ویژگی‌هایی که اکثراً استفاده می‌شود ارزیابی‌های خارجی و جمعیت­شناختی دانشجویان است. تحقیقات متعددی به منظور ارتقاء سیستم‌های آموزشی با استفاده از داده‌هایی که در بالا ذکر شد انجام شده‌اند. این مقاله در تلاش برای بهبود کیفیت سیستم آموزشی با استفاده از داده‌هایی که مربوط به ارزیابی دانشجویان برای اساتیدشان است می­باشد. این مجموعه داده از دانشگاه ایروین کالیفرنیا (UCI) مجموعه اطلاعات یادگیری ماشین جمع آوری شده و در کل شامل 5820 نمره‌ی ارزیابی ارائه شده توسط دانشجویان از دانشگاه قاضی در آنکارای ترکیه است. در مجموع 28 سؤال از دوره‌ی خاص و 5 مشخصه‌ی اضافی وجود دارد. Q1-Q28 همه از نوع لیکرت هستند که در آن پاسخ‌ها به صورت {5 ،4 ،3 ،2 ،1} امتیازدهی می‌شوند. ویژگی برچسب کلاس به عنوان نتیجه مطرح شده و مقادیری به صورت {5 ،4 ،3 ،2 ،1} می‌گیرد در حالی که مقادیر نتیجه‌ای که بزرگ‌تر از 3 هستند بسیار خوب و مقادیر نتیجه‌ای که کمتر از 3 هستند بد در نظر گرفته می‌شوند. در حالی که سطح مقادیر حضور به صورت {4 ،3 ،2 ،1 ،0} در نظر گرفته شده در حالی که مقادیر کمتر از 2 ضعیف و مقادیر برابر با 2 متوسط و مقادیر بیشتر از 2 خوب در نظر گرفته شده‌اند. علاوه بر این، سطح دشواری مقادیر دروس به صورت {5 ،4 ،3 ،2 ،1} در نظر گرفته شده در حالی که مقادیر کمتر از 3 پایین، مقادیر مساوی 3 متوسط و مقادیر بیشتر از 3 بالا در نظر گرفته شده‌اند. اطلاعات مشخصه‌هایی که در بالا ذکر شد به دو بخش تقسیم می‌شوند: بخش اول شامل اطلاعات کلی و بخش دوم شامل پرسش‌های ارزیابی:

instr: شناسه‌ی استاد؛ مقادیری {3 ،2 ،1} را می‌گیرد

کلاس: کد دوره (توصیفگر)؛ مقادیری از {13-1} را می‌گیرد

تکرار: تعداد دفعاتی که دانشجو این درس را گرفته است؛ مقادیر {... ،3 ،2 ،1 ،0} را می‌گیرد

حضور: کد سطح حضور؛ مقادیری از {4 ،3 ،2 ،1 ،0}

دشواری: سطح دشواری درس درک شده توسط دانشجویان؛ مقادیر {5 ،4 ،3 ،2 ،1} را می‌گیرد

Q1-Q28 همه نوع لیکرت هستند به این معنی که مقادیر {5 ،4 ،3 ،2 ،1} را می‌گیرند

Q1: محتوای درس نیمسال، روش تدریس و سیستم ارزیابی که در آغاز ارائه شده‌اند.

Q2: اهداف و موضوعات درس در ابتدای دوره به روشنی بیان شده‌اند.

Q3: درس ارزش میزان اعتباری که به آن اختصاص داده شده را دارد.

Q4: درس با توجه به سیلابس درسی که در اولین روز کلاس اعلام شد آموزش داده شد.

Q5: بحث کلاسی، تکالیف و برنامه‌های کاربردی و مطالعات رضایت‌بخش بود.

Q6: کتاب درسی و منابع درسی دیگر کافی و به‌روز بودند.

Q7: درس امکان کار میدانی، برنامه‌های کاربردی، آزمایشگاه، مباحث و مطالعات دیگر دارد.

Q8: آزمون‌ها، تکالیف، پروژه‌ها و امتحانات به یادگیری کمک کرده است.

Q9: من تا حد زیادی از کلاس لذت بردم و مشتاق بودم در درس مشارکت کنم.

Q10: انتظارات اولیه‌ی من در مورد درس در انتهای دوره یا سال برآورده شد.

Q11: درس برای پیشرفت حرفه‌ای من مرتبط و سودمند بود.

Q12: درس به من کمک کرد که زندگی و دنیا را با دید جدیدی بنگرم.

Q13: دانش استاد مرتبط و به‌روز بود.

Q14: استاد برای کلاس آماده بود.

Q15: استاد با توجه به طرح درس اعلام شده تدریس کرد.

Q16: استاد به درس متعهد بوده و آن قابل درک است.

Q17: استاد به موقع وارد کلاس‌ها می‌شد.

Q18: استاد سخنرانی/انتقال صاف و آسانی را دنبال می‌کرد.

Q19: استاد استفاده‌ی مؤثری از ساعات کلاس می‌کرد.

Q20: استاد درس را توضیح داده و برای کمک به دانشجویان مشتاق بود.

Q21: استاد رویکرد مثبتی به دانشجویان نشان می‌داد.

Q22: استاد در مورد دیدگاه‌های دانشجویان درباره‌ی درس، باز و محترمانه بود.

Q23: استاد به مشارکت در درس تشویق می‌کرد.

Q24: استاد تکالیف/پروژه‌­های مرتبط می‌داد و دانشجویان را راهنمایی/کمک می‌کرد.

Q25: استاد به سؤالاتی در مورد داخل و خارج از درس پاسخ می‌داد.

Q26: سیستم ارزیابی استاد (سؤالات میان‌ترم، پایان‌ترم، پروژه‌ها و تکالیف و غیره) به طور مؤثری موضوعات درس را می‌سنجید.

Q27: استاد راه‌حل‌هایی برای امتحانات ارائه می‌نمود و آن‌ها را برای دانشجویان مطرح می‌کرد.

Q28: استاد با همه‌ی دانشجویان به شیوه‌ای مناسب و بی‌طرفانه رفتار می‌کرد.

4-متدولوژی و روش‌های داده‌کاوی

4-1- متدولوژی

تکنیک‌های داده‌کاوی می‌توانند به عنوان ابزاری برای توسعه و بهبود کیفیت سیستم آموزشی و همچنین ارتقاء مدیریت منابع آموزشگاه‌ها استفاده شوند. برای مثال، سؤالات جالب متعددی برای این حوزه وجود دارد که می‌توان به آن‌ها با استفاده از داده‌کاوی پاسخ داد:

  • · بهبود کیفیت آموزش بر اساس ارزیابی دانشجویان از دروس امکان‌پذیر است؟
  • · دوره‌ها را با چه کیفیتی می‌توان به دانشجویان برای جذب بیشتر آن‌ها ارائه نمود؟
  • · دلایل اصلی مؤثر بر عملکرد استاد چیست؟
  • · پیش‌بینی عملکرد استاد امکان‌پذیر است؟
  • · چه عواملی موفقیت دانشجویان را تحت تأثیر قرار می‌دهند؟

پژوهش حاضر بر دو سؤال آخر متمرکز است. مدل‌سازی عملکرد استاد روش سودمندی برای هم اساتید و هم دانشجویان است زیرا آن می‌تواند به درک بهتر دستاوردهای آموزشی کمک کند.

4-2- روش‌های داده‌کاوی

تکنیک‌های داده‌کاوی برای استخراج دانش ارزشمند از حجم زیادی از داده‌ها استفاده می‌شود. تکنیک‌های داده‌کاوی مختلفی در طول دهه‌های گذشته معرفی شده‌اند. انتخاب مناسب‌ترین تکنیک برای استخراج داده‌ها، گامی است که منجر به نقشه راه صحیحی می‌شود. هدف اصلی، ساخت یک مدل کلاسبندی داده‌کاوی است که ما را قادر به دسته‌بندی عواملی که بر عملکرد دانشجویان اثر می‌گذارد می‌سازد. در این مقاله، چهار تکنیک داده‌کاوی مشهور که J48 DT، MLP، NB و SMO هستند استفاده شده‌اند.

5-طراحی آزمایشی

برای پیاده‌سازی متوالی چهار وظیفه‌ی کلاسبندی، ما از میزکار وکا استفاده کردیم. آزمایش‌ها در 4 مرحله‌ی متوالی انجام شدند. در مرحله‌ی اول، ارزیابی مشخصه با استفاده از الگوریتم OneR برای مشخص کردن مشخصه‌هایی که بیشترین تأثیر بالقوه بر هر کلاس در مجموعه داده دارند انجام شد [11]. روش رتبه‌بندی وکا برای توجیه رتبه‌ی مشخصه‌ها با استفاده از اعتبارسنجی 5 طرفه به کار رفته است. نتایج نشان می‌دهند که مشخصه‌های Q23، Q27، Q21، Q22، Q28، Q25 و Q24 بیشترین تأثیر را بر مجموعه داده دارند در حالی که مشخصه‌های دیگر مانند حضور، استاد، کلاس و Q1 به دلیل اینکه کمترین تأثیر را بر مجموعه داده دارند کنار گذاشته شده‌اند.

در مرحله‌ی دوم، مشخصه‌هایی که بیشترین تأثیر را دارند (مطابق با نتایج به دست آمده از مرحله‌ی قبلی، 24 مشخصه‌ای که در نظر گرفته شدند) انتخاب شده و چهار تکنیک داده‌کاوی پیشنهادی بعد از حذف آخرین 10 مشخصه با اثر کمتر بر روی مجموعه داده که (حضور، استاد، کلاس، Q1، دشواری، تعداد تکرارها، Q2، Q3، Q13، Q5) هستند اجرا شدند. جدول 1 دقت پیش‌بینی در زمانی که الگوریتم ذکر شده بر روی مجموعه داده‌ها پس از انجام ارزیابی مشخصه اعمال شده است را نشان می‌دهد.

جدول 1. دقت پیش‌بینی نتایج پس از فرایند ارزیابی مشخصه و زمانی که الگوریتم‌ها بر روی همه‌ی مجموعه داده‌ها اجرا شدند

الگوریتم

دقت عملکرد پس از پروسه‌ی ارزیابی مشخصه برای مشخصه‌هایی با بیشترین تأثیر

دقت عملکرد در زمانی که الگوریتم‌ها بر روی همه‌ی مجموعه داده‌ها برای همه‌ی مشخصه‌ها اجرا شدند

J48 DT

85.1%

84.8%

NB

84.3%

83.3%

SMO

85.8%

84.5%

MLP

84.6%

82.5%


در مرحله سه، همه‌ی مجموعه داده‌های ارزیابی دانشجویان ترکیه آزمون شده و با چهار الگوریتم کلاسبندی بیان شده تحلیل شدند. مجموعه داده به دو مجموعه که 66% برای آموزش و 34% برای تست استفاده شده بود تقسیم شد. مدل با استفاده از مجموعه‌ی آموزش ساخته شده و با استفاده از مجموعه‌ی تست آزمون شد. مقایسه‌ای از دقت همه‌ی کلاسبندها در جدول 1 ارائه شده است. نتایج نشان دادند که الگوریتم J48 DT به عملکرد بهتری در مقایسه با الگوریتم‌های دیگر با دقت 84.8% دست یافته است.

در مرحله‌ی چهار، برخی آزمایش‌ها برای بررسی عملکرد استاد انجام شدند. هدف از این آنالیز، تعیین عملکرد فردی هر استاد و بررسی عوامل مؤثر بر موفقیت آن‌ها است. چهار الگوریتم پیشنهادی بر روی مجموعه داده‌ای که به صورتی که در زیر توضیح داده شد سازمان‌دهی شده است اجرا شدند. اطلاعات ارزیابی از دروس که توسط هر استاد آموزش داده شده است در یک فایل مجموعه داده ترکیب شدند. از آنجایی که ما سه استاد داریم، مجموعه داده به سه فایل مجزا گروه‌بندی شد. نتایج آزمایشات به طور خلاصه در جدول 2 و 3 نشان داده شده‌اند.

جدول 2. اساتید، دروس، و تعداد دانشجویانی که برای هر استاد ارزیابی شدند

استاد

کد درس

تعداد کل دانشجویان

1

2، 7، 10

776

2

1، 6، 11، 13

1444

3

3، 4، 5، 8، 9، 12، 13

3601

جدول 3. دقت عملکرد فردی هر استاد

الگوریتم

دقت عملکرد برای استاد 1

دقت عملکرد برای استاد 2

دقت عملکرد برای استاد 3

J48 DT

85.4%

85.7%

82.8%

NB

85.5%

86.8%

82.0%

MLP

86.2%

87.4%

82.8%

SMO

87.0%

85.4%

83.0%

در مرحله‌ی پنجم، چهار الگوریتم پیشنهادی بر روی مجموعه داده‌ی هر استاد به صورتی که در مرحله‌ی چهار پس از حذف مشخصه‌هایی با بدترین رتبه که کمترین اثر بر مجموعه داده مانند مرحله‌ی 2 داشتند اجرا کردیم.

آن‌ها حضور، استاد، کلاس، Q1، دشواری، تعداد تکرارها، Q2، Q3، Q13، Q5 هستند و 24 بهترین مشخصه در نظر گرفته شدند. نتایج در جدول 4 بیان شده‌اند.

جدول 4. دقت عملکرد اساتید برای مشخصه‌هایی که بالاترین اثر را بر روی مجموعه داده دارند

الگوریتم

دقت عملکرد برای استاد 1

دقت عملکرد برای استاد 2

دقت عملکرد برای استاد 3

J48 DT

85.6%

86.4%

83.0%

NB

85.9%

87.3%

82.8%

MLP

85.6%

87.8%

83.5%

SMO

85.2%

86.4%

83.8%

6-نتایج و بحث و بررسی

روش‌ها و تکنیک‌های مختلفی از داده‌کاوی در این مقاله استفاده شدند. مجموعه داده تست شده و با استفاده از چهار کلاسبند داده‌ی مختلف که J48 DT، MLP، NB، SMO هستند آنالیز شد. مقایسه‌ی دقت همه الگویتم­ها در طول فرایند پیش‌بینی انجام شد. مشخص شد که استفاده از روش ارزیابی مشخصه بر روی مجموعه داده جهت پیش‌بینی عملکرد استاد سودمند است. مهم‌ترین مشخصه‌ها در مجموعه داده انتخاب شده سپس الگوریتم‌های ذکر شده در بالا بر روی مجموعه داده اجرا شدند. جدول 1 مشخصه‌هایی که بیشترین تأثیر بر موفقیت دانشجویان دارد را نشان می‌دهد. این به این معنی است که این مشخصه‌ها اهمیت بیشتری در پیش‌بینی عملکرد استاد داشته و تجارب آن‌ها را توصیف می‌کند. از طرف دیگر جدول 1 نشان می‌دهد که SMO با سطح دقت 85.8% بهتر از الگوریتم‌های دیگر عمل می‌کند. علاوه بر این، از جدول 1 همچنین می‌توان مشاهده کرد که الگوریتم J48 DT در زمانی که بر همه‌ی مجموعه داده اعمال می‌شود با سطح دقت 84.8% عملکرد بهتری دارد.

موضوع جالب دیگری که از نتایج مشاهده می‌شود این است که عملکرد یک استاد اساساً تحت تأثیر تعداد دروسی است که آموزش می‌دهد. جدول 4 نشان می‌دهد که همه‌ی الگوریتم‌های کلاسبندی دقت پیش‌بینی کمتری در زمانی که بر روی فایل مجموعه داده‌ی استاد 3 اجرا شده‌اند در مقایسه با دقت پیش‌بینی به دست آمده از الگوریتم‌هایی که بر روی فایل مجموعه داده‌های استاد 1 و 2 اجرا شده­اند دارد. با مقایسه‌ی همه‌ی کلاسبندها، الگوریتم‌های SMO و MLP به ترتیب با دقت‌های 87.0% و 86.2% بهترین عملکرد در میان همه‌ی کلاسبندها را در مجموعه داده‌ی استاد 1 همان‌طور که جدول 3 نشان می‌دهد داشتند. در حالی که دقت SMO کاهش می‌یابد، MLP تا رسیدن به بهترین عملکرد با دقت 87.2% برای مجموعه داده‌ی استاد 2 همان‌طور که در جدول 3 نشان داده شده است ادامه می‌یابد. از طرف دیگر نتایج نشان می‌دهند که دقت عملکرد در زمانی که مشخصه‌های با رتبه‌ی بد حذف شده‌اند نسبت به وقتی که الگوریتم‌ها روی همه‌ی مشخصه‌های مجموعه داده اجرا شده‌اند افزایش می‌یابد. جدول 4 دقت عملکرد اساتید برای مشخصه‌هایی که بالاترین  تاثیر بر مجموعه داده دارند را پس از حذف مشخصه‌های بد نشان می‌دهد. می‌توان از نتایج استنباط کرد که دقت عملکرد همه‌ی الگوریتم‌ها در جدول 4 بهتر از دقت به دست آمده از این الگوریتم‌ها با همه‌ی مشخصه‌هایی که در جدول 3 است به غیر از MLP و SMO که عملکرد خوبی بر روی مجموعه داده‌ی استاد 1 در جدول 3 دارند در حالی که عملکرد آن‌ها در زمان اجرا بر روی مجموعه داده‌ی استاد 1 پس از حذف مشخصه‌های بد همان‌طور که در جدول 4 نشان داده شده است کاهش می‌یابد.

7- نتیجه‌گیری

ما نتیجه گرفتیم که استفاده از داده‌های ارزیابی دانشجویان برای دروس جهت پیش‌بینی عواملی که بر موفقیت آن‌ها و همچنین پیش‌بینی عملکرد اساتید مؤثر است سودمند می‌باشد. علاوه بر این، آن نقطه نظر دیگری برای بهبود کیفیت آموزشی است، که برای جذب دانشجویان حیاتی می‌باشد در حالی که اکثر محققان از معدل تجمعی و مشخصه‌های ارزیابی داخلی برای پیش‌بینی عملکرد دانشجویان جهت ارتقا سیستم آموزشی استفاده می‌نمایند. علاوه بر این حذف مشخصه‌های بد که اثر کمتری بر مجموعه داده دارند دقت عملکرد الگوریتم‌ها را افزایش می‌دهد.


منبع:

https://www.sciencedirect.com/science/article/pii/S1877050916325601

آخرین بروز رسانی در شنبه, 09 مهر 1401 ساعت 19:31
 

اخبار و رویدادها

با ما باشید.

در باره ما

در باره ما

آخرین نظرات

آخرین نظرات

آدرس

آدرس