استفاده از داده کاوی برای پیش بینی عملکرد استاد

استفاده از داده کاوی برای پیش بینی عملکرد استاد

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. استفاده از داده کاوی برای پیش بینی عملکرد استاد را از بخش تکنولوژی سایت تفریحی جیران همراه ما باشید.

این مقاله بر پیش‌بینی عملکرد استاد و بررسی  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 زمینه‌یآموزش را برجسته می‌نماید. نتایج نشان می‌دهد که استفاده از روش ارزیابی مشخصه بر روی مجموعه داده، دقت عملکرد پیش‌بینیرا افزایش می‌دهد.

موارد پیشنهادی

• نحوه پاک کردن کش گوگل کروم
• جزئیات جدید از دوربین اصلی هواوی P۴۰ پرو

امروزه داده‌کاوی (DM) توجه بسیاری را در حوزه‌ی تحلیل به خود جلب کرده و آن به ابزار جدید شناخت­ پذیری 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. 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. عمدتاً داده‌کاوی در آموزش برای بررسی تأثیر استراتژی‌های آموزشی بر روی دانشجویان و اینکه چگونه دانشجویان درس را درک می‌کنند استفاده می‌شود.

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. 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.

در سال‌های گذشته، مطالعات متعددی به بررسی داده‌کاوی برای اهداف آموزشیپرداخته‌اند. مینایی-بیدگلی یکی از اولین نویسندگانی هستند که از الگوریتم ژنتیک برای کلاسبندی عملکرد دانشجویان به منظور پیش‌بینی نمرات نهایی آن‌ها استفاده کردند .داده‌کاوی در آموزش از سال 1995 تا 2005 در – 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 تلاش برای بررسی دلیل شکست در دو کلاس هسته (ریاضی و پرتقالی) از دانش ­آموزان 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.

کارآمد ترین روش‌های یادگیری ماشین در پیش‌بینی نمره نهایی دانشجویان کارشناسی ارشد دانشگاه انفورماتیک ایونی در – 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 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 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.

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 جمعیت ­شناختی 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 کلاس‌هامی‌شد.

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.

جالب است بدانید: مفهوم spf و spf مناسب ضدآفتاب