دانشگاه شهید بهشتی مدیریت و برنامه ریزی در نظام های آموزشی 2423-5261 10 1 2017 06 22 A Neural Network Based Model for Predicting Educational Vulnerability of Undergraduate Students مدلی برای پیش‌بینی آسیب‌پذیری تحصیلی مقطع کارشناسی مبتنی بر شبکه عصبی 81 102 98442 FA علی اکبر امین بیدختی استاد گروه مدیریت آموزشی دانشگاه سمنان 0000-0002-6800-4150 محمد فتحیان بروجنی استاد دانشگاه علم و صنعت ایران احمد نامنی دانش آموخته دکتری مدیریت آموزشی دانشگاه سمنان Journal Article 2016 02 13 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. هدف پژوهش حاضر به‌عنوان بخشی از رساله دکتری، توسعه مدلی برای پیش‌بینی آسیب‌پذیری تحصیلی دانشجویان مقطع کارشناسی رشته‌های مهندسی در کوتاه‌ مدت (نیمسال تحصیلی) بوده که به روش داده‌کاوی و با استفاده از الگوریتم شبکه عصبی به اجرا درآمده است. جامعه آماری، دربرگیرنده‌ی کلیه "ترم- دانشجوها" از نیمسال اول سال تحصیلی91-1390 لغایت دوم 94-1393 در سه مورد از دانشگاه‌های فنی-مهندسی کشور (مجموعاً 53422 رکورد) بوده که با بهره‌برداری مستقیم از سیستم‌های آموزش هر سه دانشگاه در مدل‌سازی وارد شده‌اند. نتایج حاکی از آن است که با بهره‌گیری از داده‌های موجود در سیستم‌های حوزه آموزش دانشگاه‌ها و به خدمت گرفتن شبکه عصبی می‌توان با صحت بیش از 95 درصد و اعتبار بالاتر از 60، نسبت به پیش‌بینی وضعیت نیمسال برای یکایک دانشجویان اقدام نمود. معدل نیمسال قبل، معدل کل، زوج یا فرد بودن نیمسال، نوع واحدهای اخذ شده و مبادرت به فعالیت‌های فوق‌برنامه در نیمسال، به عنوان مؤثرترین متغیرهای پیش‌بین، تشخیص داده شدند. https://mpes.sbu.ac.ir/article_98442_02fc097ca37ae85e71c9c579598be79a.pdf