تحليل داده‌هاي آموزشي دانشجويان با هدف ارزيابي موفقيت تحصيلي با استفاده از رويكرد داده‌كاوي (نمونه موردي: دانشكده مديريت و مهندسي صنايع دانشگاه شاهرود)

Analyzing Students’ Educational Information to Evaluate Their Success via Using Data Mining Method ،Case Study: Faculty of Management and Industrial Engineering, Shahrood University of Technology

كسب دانش پيرامون الگوهاي رفتاري وضعيت تحصيلي دانشجويان نقش بسزايي در مديريت موفق مراكز آموزشي و ارائه خدمات مطلوب و متناسب با وضعيت‌هاي فعلي و آتي تحصيلي دانشجويان دارد. اين دانش، در اطلاعات آموزشي نهفته بوده و مي‌تواند با استفاده از ابزار داده‌كاوي استخراج شود. در اين مقاله يك مدل داده‌كاوي مبتني بر تكنيك خوشه‌بندي سلسله‌مراتبي توسعه‌يافته براي تحليل اطلاعات مربوط به وضعيت تحصيلي دانشجويان شامل اطلاعات پيش از ورود به دانشگاه و وضعيت تحصيلي آنان ارائه شده است. علاوه بر آن، يك مدل پيش‌بيني مبتني بر قرارگيري هر دانشجو با مشخصات خاص در يك خوشه و برآورد عملكرد تحصيلي وي ارائه شده است. مدل داده‌كاوي پيشنهاد شده در دانشكده مديريت دانشگاه صنعتي شاهرود به‌عنوان نمونه موردي پياده‌سازي شده است. نتايج تحقيق توسط خبرگان و مديران آموزشي دانشگاه اعتبارسنجي شده است. پس از تحليل داده‌ها و ارائه مدل پيش‌بينـي، خوشه‌هاي دانشجويان مبتني بر شاخص نشان‌دهنده وضعيت تحصيلي ارائه شده است. نتايج نشان مي‌دهند كه برخي از ويژگي‌هاي دانشجويان مربوط به دوران قبل و بعد از ورود آنان به دانشگاه بر تعلق آنان به خوشه‌هاي وضعيت تحصيلي تأثير معنادار دارند. با استفاده از ابزار داده‌كاوي، مجموعه‌اي از قوانين براي ارتقاي كيفيت تصميمات مديران آموزشي و انتقال دانشجويان از خوشه‌هاي با وضعيت تحصيلي نامناسب به وضعيت بهتر پيشنهاد شده است. هم‌چنين با توجه به شناسايي وضعيت تحصيلي دانشجويان، مدل پيش‌بيني‌كننده وضعيت آتي تحصيلي آنان نظير رشد معدل و يا مشروطي تحصيلي ارائه شده است. تمامي نتايج با توجه به نظرات دريافت‌شده از خبرگان ارزيابي و اعتبار آنان تأييد شده است.

Knowledge acquisition about the behavior patterns of the educational status of students can have a significant impact on the successful management of educational institutes and provides appropriate services in accordance with current and future status of students. This knowledge is hidden in educational data and could be extracted via using data mining method. In this paper, a data mining model to analyze students’ academic achievement based on the data related to before and after the students’ entrance to university was proposed. To tackle this problem, an advanced hierarchical clustering method was developed. In addition, a forecasting model to determine the belonging of each student to the each considered cluster was provided. The proposed model was evaluated on a case study of the Faculty of Management in Shahrood University of Technology. The obtained results were validated by experts and university administrators. The students were classified in different clusters via considering theirs specific features. The results indicated that some of the considered features related to before and after entering university have significant impacts on determining the students’ educational achievements and also their assigned cluster. Some decision rules are proposed for educational administrators to improve the overall students’ educational achievements and transferring students from clusters with poor academic situations to better ones such as applied rules for transferring students with special status. In addition, an efficient forecasting model for assessment of students' achievement states was proposed. The obtained results were verified by experts.