کاربرد داده کاوی آموزشی جهت شناسایی عوامل مؤثر بر افت تحصیلی دانش آموزان

محورهای موضوعی : سامانه های پردازشی و ارتباطی چند رسانه ای هوشمند

محمود نجفی ¹ (کارشناسی ارشد ،گروه مهندسی کامپیوتر، واحد زنجان، دانشگاه آزاد اسلامی، زنجان، ایران)
مهدی افضلی ² (استادیار، دانشکده مهندسی برق و کامپیوتر، واحد زنجان، دانشگاه آزاد اسلامی ، زنجان، ایران)
محمود مرادی ³ (استادیار ،گروه علم اطلاعات و دانش شناختی، دانشگاه رازی، کرمانشاه، ایران)

تاریخ دریافت : 1399/11/28 تاریخ پذیرش : 1400/03/03 تاریخ انتشار : 1400/01/01

کلید واژه: داده کاوی آموزشی, قوانین انجمنی, درخت تصمیم, خوشه بندی, افت تحصیلی,

چکیده مقاله :

استخراج دانش یکی از مهمترین مسائل داده‌کاوی می‌باشد. قوانینی که به‌صورت اگر - آنگاه مطرح می‌گردند، این توانایی را دارند که به صورت اعداد حقیقی در هر جزء به صورت تمام مقادیری که در مجموعه‌ داده می‌تواند وجود داشته باشد، قرار بگیرند. روش پیشنهادی در این مقاله استفاده از الگوریتم‌های درخت تصمیم و خوشه‌بندی و قوانین انجمنی برای استخراج قوانین می‌باشد. در روش پیشنهادی استخراج قوانین را به صورت یک مسئله بهینه‌سازی در آورده و هدف به دست آوردن قانونی با اطمینان بالا، عمومیت و قابلیت درک بالا می‌باشد. الگوریتم پیشنهادی برای استخراج قوانین ازمجموعه داده افت تحصیلی از اطلاعات فردی256 دانش‌آموزان هنرستان‌ها در زنجان جمع‌آوری شده و تست گردید. از نتایج به دست آمده از این تحقیق می توان برای پیشگیری از افت تحصیلی دانش‌آموزان و بهبود کیفیت ارتباط مسوولین و والدین با دانش‌آموزان و آموزش هر چه بهتر آنان استفاده کرد.

چکیده انگلیسی:

Knowledge extraction is one of the most significant problems of data mining. The principles raised in if-then format can be turned into real numbers in each section- as values which could be included in dataset. The suggested method in the present dissertation is application of decision tree algorithms, clustering and forum rules for extraction of final rules. In the suggested method, extraction of rules is defined as an optimization problem and objective was obtaining a rule of high confidence, generalization and understandability. The suggested algorithm for extraction of rules was obtained from and tested based on a dataset of educational failure of 256 art school students living in Zanjan. The results suggested that the j48 algorithm in decision tree and accuracy of 0.95 is the choice for the dataset of educational failure. Data clustering was done by K-Main algorithm with confidence coefficient of 0.95. After all, obtaining rules of high confidence coefficient was done based on forum rules from Apriori algorithm for the whole datasets. The results of present study could be used for inhibition of educational failure of students, improved quality of relationship of parents and authorities with students and enhancing the education they receive.

منابع و مأخذ:

 

• Piatetsky-Shapiro G., Frawley W. J.,(1991) “Knowledge Discovery in Databases”,AAAI/MIT Press, 13(3), pp. 57-70.


• ابراهیم­خانی، سمیه؛ افضلی، مهدی؛ شکوهی، علی(390). "پیش‌بینی و بررسی عوامل تصادفات جاده‌ای با استفاده از الگوریتم‌های داده‌کاوی". فصلنامه دانش انتظامی زنجان. س 1، ش 1، (زمستان): 111-127.


• Fayyad U. M., Piatetsky-Shapiro G., Smyth P., (1996)“From Data Mining to Knowledge Discovery: An Overview”, In Advances in Knowledge Discovery and Data Mining, AAAI/MIT Press, pp. 1-34.


• Li, Xu; Zaian, Osar R.; Li, Zhanhuai (2006) Advanced Data Mining and Applications. Berlin: Springer.


• Williams, Graha J.; Simoff, Simeon J. (2006). Data Mining: Theory, Methodology, Techniques, and Applications. Berlin: Springer.


• Bousbia, N., & Belamri, I. (2014). Which Contribution Does EDM Provide to Computer-Based Learning Environments?. In Educational data mining (pp. 3-28). Springer International Publishing.


• دورکین، پل(1376). مشکلات یادگیری و رفتاری دانش آموزان، ترجمه پرویز صالحی، تهران: نشر مرکز


• K.R and Krishnamoorthi. R, 2009. Identifying User Behavior by Analyzing Web Server Access Log File, International Journal of Computer Science and Network Security Vol. 9 No. 4 pp. 327-332


• Romero, C. & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, 33(1): 135–146.


• Campbell, J.P., Oblinger, D.G. (2007). Academic Analytics. Available in: http://net.educase.edu/ir/library/pdf/PUB6101.pdf.


• Baker, R. & Yacef, K. (2009). The state of educational data mining in 2009: A review and future visions. Journal of Educational Data Mining, 1 (1): 3-17.


• Bienkowski, M., Feng M. & Means B. (2012). Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics: An Issue Brief, Available in: http://www.cra.org/ccc/files/docs/learning-analytics-ed.pdf.


• García, E., Romero, C., Ventura, S. & Castro, C. (2011). A collaborative educational association rule mining tool. The Internet and Higher Education, 14 (2): 77-88.


• Pechenizkiy, M., Calders, T., Vasilyeva, E. & Bra, P. D. (2008). Mining the student assessment data: Lessons drawn from a small scale case study. in 1^st International Educational Data Mining Conference (EDM2008). Montreal Canad, June 20-21 2008.


• احمدی، سیدعلی اکبر؛ کریم زادگان، داوود؛ خیراتی کازرونی، تورج. (1394). "داده­کاوی دانشجویان انصرافی دانشگاه تهران با تمرکز بر حفظ دانشجویان شهریه­پرداز (جلوگیری از روی­گردانی مشتری)". دو فصلنامه مدیریت فناوری اطلاعات, دوره 7, شماره 2(تابستان): 217- 238.


• تمنائیفر، م.ر؛ سلامی محمدآبادی، ف؛ دشتبان زاده، س.(1390) "ارتباط بین پنج رگه شخصیتی و عملکرد تحصیلی دانشجویان"، نخستین همایش ملی شخصیت و زندگی نوین، ایران، سنندج.


• اندری، سحر؛ صالحی، پرستو(1390).، "تحلیل عوامل مؤثر بر افت تحصیلی دانش­آموزان مقطع راهنمایی با استفاده از داده­کاوی"، پنجمین کنفرانس داده کاوی ایران، دانشگاه صنعتی امیرکبیر، ایران، تهران


• اسکندریان، پریناز؛ خان­تیموری، علیرضا؛ فاتحی مرج، علیرضا؛ شنیده، فاطمه. (1390). "بررسی کاهش عملکرد تحصیلی دانش­آموزان جهت بهبود و ارتقای انگیزه تحصیلی بر اساس شبکه­های بیزین"، پنجمین کنفرانس داده­کاوی ایران، دانشگاه صنعتی امیرکبیر، ایران، تهران،


• قلندری، ح؛ (1391). "رابطه بین ویژگیهای شخصیتی و عملکرد تحصیلی دانش آموزان"، نخستین همایش ملی شخصیت و زندگی نوین، ایران، سنندج،


• هدایتی، بهرام؛ قاسمیان، محمد حسن. (1392). "بررسی ویژگی های فردی موثر بر عملکرد تحصیلی دانشجویان با استفاده از تکنیکهای داده کاوی". پنجمین کنفرانس علمی فناوری اطلاعات و دانش. شیراز: دانشگاه شیراز.


• هدایتی، بهرام؛ جوانمرد، مهدی، (1393). "بررسی عوامل موثر با افت تحصیلی دانش­آموزان سال اول دبیرستان با استفاده از تکنیک­های داده­کاوی، همایش مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه­های کامپیوتری، مدلسازی و امنیت سیستم ها، مشهد


• اسدی ورمله، پرویز؛ احمدی، هادی؛ حسنی پیرمحمدی، حشمت­الله. (1393). "بررسی علل افت تحصیلی دانش­آموزان سال اول دبیرستان با استفاده از تکنیک­های داده­کاوی"، دومین کنفرانس بین المللی دستاوردهای نوین در علوم مهندسی و پایه، اردبیل


• اسماعیل­پور، منصور؛ شکور، زرینا، نادری­فر، وحید(1387). "مدرسه هوشمند، افت و پیشرفت تحصیلی، آموزش الکترونیکی ، الگوریتم ژنتیک، داده کاوی"، پنجمین کنفرانس ملی و دومین کنفرانس بین المللی یادگیری و آموزش الکترونی، تهران.


• ایرجی، اعظم؛ مینایی، بهروز؛ شکورنیاز ونوس (1392). "بکارگیری فن آوری داده کاوی به منظور آسیب شناسی افت تحصیلی هنرجویان هنرستانی و استخراج نمایه ساز توصیفی در ارائه تمایز دانش آموزان ضعیف و ممتاز " تهران، دانشکده مهندسی کامپیوتر دانشگاه علم و صنعت ایران.


• Yeh, H.-C, Yang M.-L, Lee L. C.(2007). An Empirical Study of Credit Scoring Model for Credit Card Innovative Computing, Information and Control


• Chan, C & Lewis, B 2002, 'A basic primer on data mining', Information Systems Management, vol. 19, no. 4, pp. 56-60.