پيش بيني ميزان پيشرفت تحصيلي دانشجويان با روش خوشه بندي فازي در محيط هاي آموزشي

Applying fuzzy clustering to assess and anticipate studentsʹʹ educational progress in learning environments

هدف اين پژوهش ارايه الگويي جهت پيش بيني عملكرد و افزايش كارايي و موفقيت يادگيري دانشجويان در يك محيط آموزشي با استفاده از داده كاوي است. با تكيه به روش هاي كتابخانه اي و پرسشنامه اي و مشاوره با افراد خبره تعدادي از و?ژگ?هاي تاث?رگذار در ?ادگ?ري دانشجو?ان شناسايي شد و با استفاده از روش انتخاب و?ژگ?، موثرترين آنها انتخاب شدند و براي روشن تر شدن روابط بين ويژگي هاي انتخاب شده، خوشهبندي فازي بر روي آنها انجام گرفت. در فاز دوم پژوهش با استفاده از تكن?كهاي دادهكاوي به پ?ش ب?ن? نمرات دانشجويان محيط آموزشي مورد مطالعه پرداخته شد. ف?لدها?? كه به عنوان متغ?ر در نظر گرفته شد، نمره م?انترم، پا?انترم و نمره نها?? (معدل) دروس اخذ شده در يك ترم توسط دانشجويان ورودي 1385 تا 1391 دانشگاه است. بر مبناي الگوهاي به دست آمده م?توان هر دانشجو را در راستاي ويژگي هاي تاثيرگذار بر روي آنها (دانشجويان) از ابتداي ترم راهنما?? و با توجه به نمرات? كه در طول ترم كسب م? كند، او را از محدوده نمره نها?? خود آگاه كرد و بر طبق توانا??ها?ش برنامهر?زي مناسب تحص?ل? نمود. ا?ن الگوها م?توانند براي كارآمدتر ساختن فرآ?ند ?ادگ?ري در س?ستم مؤثر باشند. نتايج آزمايش ها حاكي از دقت مطلوب روش پيشنهادي 939/0 نسبت به روش هاي قبلي (كشف قوانين همبستگي،كلاس‌بندي و تشخيص ناهمگوني).

The purpose of this paper is to propose a method to anticipate studentsʹ proceed and to enhance their learning efficiency and success in a learning environment, using data mining. Based on library and survey searching methods, as well as consulting with experts, some effective features in studentsʹ learning are identified and then using feature selection method, the most efficient ones are chosen. To clarify the relation between selected features, fuzzy clustering is applied to them. In the second phase of the research, scores of the students of Educational environment study, are predicted, using data mining. Variables taken are midterm and final scores and the average score of selected units in one semester by students studying there between 2006 (1385) and 2012 (1391). According to the achieved methods we can guide each student from the beginning of the semester in line with their effective features, and based on scores gained during the semester we can inform the student about his range of final score to receive an educational plan based on his/her abilities. These methods can be effective in streamlining learning procedure in a system. Test results show the desired accuracy (0.939) of the proposed method than previous methods (discovery of association rules, classification, and identifying the inconsistencies).