مدلي براي پيش بيني آسيب پذيري تحصيلي مقطع كارشناسي مبتني بر شبكه عصبي

A Neural Network Based Model for Predicting Educational Vulnerability of Undergraduate Students

هدف پژوهش حاضر به عنوان بخشي از رساله دكتري، توسعه مدلي براي پيش بيني آسيب پذيري تحصيلي دانشجويان مقطع كارشناسي رشته هاي مهندسي در كوتاه مدت (نيمسال تحصيلي) بوده كه به روش داده كاوي و با استفاده از الگوريتم شبكه عصبي به اجرا درآمده است. جامعه آماري، دربرگيرنده ي كليه «ترم- دانشجوها» از نيمسال اول سال تحصيلي91-1390 لغايت دوم 94-1393 در سه مورد از دانشگاه هاي فني-مهندسي كشور (مجموعاً 53422 ركورد) بوده كه با بهره برداري مستقيم از سيستم هاي آموزش هر سه دانشگاه در مدل سازي وارد شده اند. نتايج حاكي از آن است كه با بهره گيري از داده هاي موجود در سيستم هاي حوزه آموزش دانشگاه ها و به خدمت گرفتن شبكه عصبي مي توان با صحت بيش از 95 درصد و اعتبار بالاتر از 60، نسبت به پيش بيني وضعيت نيمسال براي يكايك دانشجويان اقدام نمود. معدل نيمسال قبل، معدل كل، زوج يا فرد بودن نيمسال، نوع واحدهاي اخذ شده و مبادرت به فعاليت هاي فوق برنامه در نيمسال، به عنوان موثرترين متغيرهاي پيش بين، تشخيص داده شدند.

The aim of this study as a part of a doctoral thesis was to develop a model for predicting educational vulnerability of undergraduate students in engineering disciplines in short term period (by semester). The method was data mining by using neural network algorithm. The statistical population, including all "Term- student" from the first semester in academic year 1390-91 till the second semester of 1393-94 in three Iranian technical-engineering universities (with a total of 53,422 records). The needed data were used in the model by direct exploitation of MISs in all three universities. The results indicate that by using the available data in educational systems of universities and engaging the neural networks algorithm, it is possible to make a prediction by more than 95 percent accuracy and with validity over 60, in terms of semester results for all students. “GPA (Grade Point Average) of the last semester”, “total GPA”, “the condition of the semesters in the case of being an odd or an even one”, “type of units taken within the semester” and “engaging in extra activities”, were identified as the most effective predictive variables.