مدلی برای پیش‌بینی آسیب‌پذیری تحصیلی مقطع کارشناسی مبتنی بر شبکه عصبی

نوع مقاله : علمی - پژوهشی

نویسندگان

1 استاد گروه مدیریت آموزشی دانشگاه سمنان

2 استاد دانشگاه علم و صنعت ایران

3 دانش آموخته دکتری مدیریت آموزشی دانشگاه سمنان

چکیده

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.

کلیدواژه‌ها


عنوان مقاله [English]

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

نویسندگان [English]

  • Ali Akbar Aminbeidokhti 1
  • Mohammad Fathian Boroojeni 2
  • Ahmad Nameni 3
1 Professor, Department of Educational Management, Semnan University
2 Professor at Iran University of Science and Technology
3 PhD student in Educational Management, Semnan University
چکیده [English]

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.

کلیدواژه‌ها [English]

  • educational vulnerability
  • Neural Networks
  • prediction
ابوالقاسمی، م. و میرالی رستمی، ا. (1392). عوامل مؤثر بر پیشرفت تحصیلی دانشجویان دانشکده‌های فنی و مهندسی دانشگاه تهران به منظور ارائه مدلی برای پیش بینی پیشرفت تحصیلی آنها. فصلنامه آموزش مهندسی ایران، 58، 84- 67.
احمدوند، م. ع. (1380). مقایسه سبک‌های مطالعه و یادگیری دو گروه قوی و ضعیف فراگیران. مجله علوم انسانی دانشگاه سیستان و بلوچستان. 20-7
چنگیزی آشتیانی، س.، شمسی، م. و محمد بیگی، ا. (1388). فراوانی افت تحصیلی و برخی از عوامل مؤثر بر آن از دیدگاه دانشجویان علوم پزشکی اراک. مجله علمی پژوهشی دانشگاه علوم پزشکی اراک، 12(4): 33- 23
دسترنج، م.، بلوکی، ص. و موذن، م. (1392). بررسی عوامل مؤثر بر افت تحصیلی دانشجویان دانشگاه پیام نور بستک در سال 1389. فصلنامه تخصصی علوم اجتماعی دانشگاه آزاد اسلامی واحد شوشتر، 7(20): 258- 241
دلارام، م.، آئین، ف. و فروزنده، ن. (1391). عوامل مؤثر بر مشروط شدن دانشجویان دانشگاه علوم پزشکی شهرکرد. مجله پزشکی هرمزگان، (2)16،163- 172.
رحمتی، ع. لسانی،‌ م. و خلیل زاده، ‌ر. (1391). عوامل مرتبط با مشروطی دانشجویان شهید باهنر کرمان در سال 89-1388 و ارائه مدل تحلیلی آن. پایان نامه کارشناسی ارشد. دانشگاه شهید باهنر کرمان،‌ دانشکده ادبیات و علوم انسانی.
رودباری، م.، احمدی، آ. و عبادی فرد آذر، ف. (1389). تعیین عوامل مؤثر بر پیشرفت تحصیلی دانشجویان دانشگاه علوم پزشکی ایران در سال تحصیلی 89-88. فصلنامه طب و تزکیه، (3)19، 48-37.
زارعی، ج.، عزیزی، ا. و کاظمی، ا. (1393). بررسی عوامل مؤثر بر کاهش میل به ادامه تحصیل در دانشجویان مقطع کارشناسی دانشگاه جندی شاپور اهواز. مجله توسعه آموزش در علوم پزشکی، 7(15): 59- 49
شهرابی، جمال (1392). داده کاوی 2. چاپ دوم. . انتشارات جهاد دانشگاهی، واحد دانشگاه صنعتی امیرکبیر. تهران. ایران.
شهرابی، جمال و زارع، ابولفضل(1392). داده کاوی با کلمنتاین. چاپ اول. انتشارات جهاد دانشگاهی، واحد دانشگاه صنعتی امیرکبیر. تهران. ایران.
صباغیان، زهرا و پور کاظمی، محمد حسین. (1387). بررسی و مقایسه موفقیت تحصیلی دانشجویانی که از توالی رشته در دوره کارشناسی ارشد برخوردارند با دانشجویانی که فاقد توالی رشته اند. دوفصلنامهمدیریتوبرنامه­ریزیدرنظام­هایآموزشی. 1(2)، 21-7
عارفی، محبوبه.، قهرمانی، محمد.، ابوالقاسمی، محمود. و خرسندی یامچی، اکبر.(1392). اثربخشی فعالیتهای فوق برنامه دانشگاه شهید بهشتی.  دوفصلنامهمدیریتوبرنامه­ریزیدرنظام­هایآموزشی، 6(10)، 73-48
علیزاده، سمیه و ملک محمدی، سمیرا (1393). داده کاوی و کشف دانش گام به گام با نرم افزار کلمنتاین. چاپ سوم. انتشارات دانشگاه صنعتی خواجه نصیرالدین طوسی. تهران. ایران.
غفاری، ا.، کارشکی،‌ ح. و رضائی، ‌م. (1389). مقایسه میزان و عوامل مؤثر بر افت تحصیلی دانشجویان ایرانی و افعانی دانشگاه فردوسی مشهد و دانشگاه هرات. پایان نامه کارشناسی ارشد. دانشگاه فردوسی مشهد. دانشکده علوم تربیتی و روانشناسی.
کانتاردزیک، اِم. داده کاوی. ترجمه علیخانزاده، امیر (1392). چاپ سوم. انتشارات علوم رایانه. بابل. ایران.
لشکرگیر، سعادت جو، لطیف. (1392). پیش بینی عملکرد دانش آموزان با استفاده از تکنیک داده کاوی و ارائه راهکار مناسب برای بهبود آن. پایان نامه کارشناسی ارشد. دانشگاه آزاد اسلامی، واحد یزد.
 مقیمی، سید محمد.، خنیفر، حسین.، زروندی، نفیسه، جوکار، احمد، بیان معمار،  سید احمد. و فرجی ارمکی، اکبر.(1389). مطالعه و بررسی رابطه بین عوامل آموزشی و افت تحصیلی در میان دانش آموزان پسر آموزشگاه­های راهنمایی. دو فصلنامه مدیریتوبرنامهریزیدرنظام­هایآموزشی، 3(4)، 160- 144
 
Blass, E., Jasman, A. & Shelley, S. (2010). Visioning 2035: The Future of the Higher Education Sector in the UK. Futures, 42, 445–453.
Chen, S. and Voyles, D. (2013). HESI Admiddion Assessment Scores: Predicting Student Ssuccess. Journal of Professional Nursing, 9(25): 32–37
Dorothyjean, C. (2012).  Potential  for  Significant  Reductions  In  Dropout  Rates: Analysis  of  An Entire  3rd  Grade  State  Cohort. Economics of Education Review, 31, 644–662.
Giambona, F., Erasmo, V., & Vassiliadis, E. (2011). Educational Systems Efficiency in European Union Countries. Studies in Educational Evaluation, 37, 108–12.
Gil-Galván, R., & Gil-Galván, F. J. (2013). How to Use Professional and Life Projects to Guide University Students towards Optimal Professional Development. Procedia - Social and Behavioral Sciences, 93, 1901 – 1905.
Gqweta, N. (2012). A perspective of final year diagnostic radiography students. Radiography, 18, 212-217.
Hamaideh, S. H., & Hamdan-Mansour, A. M. (2013). Psychological, Cognitive and Personal Variables that Predict College Academic Achievement among Health Sciences Students. Nurse Education Today, 34, 703-708.
Hardinger, K. L., Schauner, S., Graham, M., & Garavalia, L. (2013). Admission Predictors of Academic Dismissal for Provisional and Traditionally Admitted Students. Currents in Pharmacy Teaching and Learning, 5, 33–38.
 Islam Shovon, H. and Haque, M. (2012). An Approach of Improving Student’s Academic Performance by using K-means clustering algorithm and Decision tree. International Journal of Advanced Computer Science and Applications, 3(8): 145- 149
Juklová, K. (2012). Analysis of University Education In Terms of the Level of Cognitive Study Goals – From the Perspective of Future Teachers. Procedia - Social and Behavioral Sciences, 69, 1610 – 1615.
Knauss, P. J. & Wilsson, P. (2013). Predicting Early Academic Success: HESI Admissions Assessment Exam. Journal of Professional Nursing, 29, 28-31.
Laurens, C., Krist, D. W., Erwin, O., & Ides, N. (2012). Efficiency and Equity in Private and Public Education: A Nonparametric Comparison. European Journal o f Operational Research, 202, 563–573.
Mikolaj, H., Steven, R. (2013). Divergent Historical Experiences and Inequality in Academic Achievement: The Case of Poland. The Journal of Socio-Economics, 42, 1–12.
Nasir, N. A., Rasid, N. S., Ahmad, N. & Noor Shah, M. S. (2013). Bicluster Analysis as an Effective Tool to Measure Students Overall Performance. Procedia - Social and Behavioral Sciences, 90, 593 – 598.
Reichmann, M. (2012). Future-Oriented  Higher  Education:  Which  Key  Competencies  Should  Be Fostered  Through  University  Teaching  And  Learning? Futures, 44, 127–135.
Rodgers, S., Stenhouse, R., McCreaddie, M., & Small, P. (2013). Recruitment, Selection and Retention of Nursing and Midwifery Students in Scottish Universities. Nurse Education Today, 33, 1301–131.
   Rosander, P., Bäckström, M., & Stenberg, G. (2011). Personality Traits and General Intelligence as Predictors of Academic Performance: A Structural Equation Modeling Approach. Learning and Individual Differences, 21, 590–596.
Saklofske, D. H., Austin, E. J., Mastoras, S. M., Beaton, L., & Osborne, S. E. (2012). Relationships of Personality, Affect, Emotional Intelligence and Coping with Student Stress and Academic Success: Different Patterns of Association for Stress and Success. Learning and Individual Differences, 22, 251–257.
Stukalina, Y. (2013). Management of the Educational Environment: The Context in Which Strategic Decisions Are Made. Procedia - Social and Behavioral Sciences, 99, 1054 – 1062.
U.S. Department Of Education, for Each And Every Child (2013). A Strategy for Education Equity and Excellence, Washington, D.C.
Vesela, D., & Klimova, K. (2013). Supporting Creative Industries with Innovative University Study Programs. Procedia - Social and Behavioral Sciences, 81, 152 – 156
Warwick, P. (2014). The International Business of Higher Education. A Managerial Perspective on the Internationalization of UK Universities. The International Journal of Management Education, 12, 91-103
Weber, A. S. (2011). The Role of Education in Knowledge Economies in Developing Countries. Procedia Social and Behavioral Sciences, 15, 2589–2594
Willcockson, I. U., Johnson, C. W., Hersh, W. & Bernstam, E. V. (2009). Predictors of Student Success in Graduate Biomedical Informatics Training: Introductory Course and Program Success. Journal of the American Medical Informatics Association, 16, 837–846
Zimmermann, J., Heinimann, H.R. & Bachmann, J. M. (2015). A model-based approach to predicting graduate-level performance using indicators of undergraduate-level performance. Journal of Educational Data Mining, 7(3), 151- 176
Zoghbi, C., Fabiana, A. R., & Enlinson, M. (2013). Education Production Efficiency: Evidence from Brazilian Universities. Economic Modeling, 31, 94–103.