مدلی برای پیش‌بینی عملکرد دانشجویان دانشگاه جامع علمی کاربردی در آزمون متمرکز مبتنی بر داده‌کاوی
محورهای موضوعی : فن‎آوری اطلاعات
مصطفی یوسفی طزرجان
1
,
اسرافیل علاء
2
,
مریم ملاباقر
3
1 - عضو هیات علمی دانشگاه جامع علمی کاربردی ،البرز،ایران
2 - مدیرکل دفتر سنجش و آزمون دانشگاه جامع علمی کاربردی ،تهران،ایران
3 - عضو هیات علمی دانشگاه جامع علمی کاربردی ،تهران،ایران
کلید واژه: پیش‌بینی, داده‌کاوی, دانشگاه جامع علمی کاربردی, آزمون متمرکز,
چکیده مقاله :
هدف این پژوهش، ارائه الگویی جهت پیش‌بینی نمرات دانشجویان دانشگاه جامع علمی کاربردی در آزمون‌های متمرکز، در نیم‌سال‌های آتی دانشگاه بوده است. بدین منظور وضعیت نمرات 207/19 دانشجو/ درس در 8 عنوان درسی در 6 استان و 120 مرکز آموزشی که به صورت متمرکز در مقطع کاردانی و کارشناسی و هم‌زمان در سراسر کشور در نیم‌سال دوم تحصیلی 98-1397 برگزار شده ، مورد مطالعه قرار گرفته است و با استفاده از روش انتخاب ویژگی، مؤثرترین آن‌ها انتخاب شدند. برای روشن‌تر شدن روابط بین ویژگی‌های انتخاب شده با استفاده از مدل درخت تصمیم‌گیری و الگوریتم C5.0 ، با استفاده از نرم‌افزار SPSS Modeler و 10 شاخص مؤثر، مدلی برای پیش‌بینی نمرات دانشجویان در نیم‌سال آتی در دروس مصوب آزمون متمرکز ارائه شده است. این الگوی پیش‌بینی می‌تواند برای کارآمدتر ساختن فرآیند یادگیری در سیستم دانشگاهی مؤثر باشد. از نتایج این مدل می‌توان به پیشنهادهایی برای اصلاح فرآیند آزمون، یافتن دانشجویان و مراکز و شرایط خارج از الگو جهت نظارت بیش‌تر و شناسایی مراکزی که میانگین معدل دانشجویان‌شان بالا بوده اما در آزمون متمرکز عملکرد ضعیف ضعیفی داشتند، اشاره کرد.
The aim of this study is to provide a model for predicting University of Applied Science & Technology students' scores in centralized exams in the coming semesters of the university. For this purpose, the status of the 19/207 student/ course grades has been studied in 8 courses in 6 provinces and 28 educational centers, that have been held in an associate's and bachelor's degree level and concurrently across the country in the second semester of 1397-98 And by using the feature selection method, the most effective ones were selected. To clarify the relationships between the selected features and the decision tree model with C5.0 algorithm using SPSS Modeler software, with 10 effective indicators, a model for predicting students' scores in the next semester is presented in the courses approved for the centralized exam. This predictive model can be effective in making the learning process more efficient in the academic system. The results of these models include suggestions for modifying the test process, finding students and centers, and out-of-pattern conditions for further monitoring and identifying centers whose students' average GPAs were high but poor on the centralized test.
_||_
