مدلی برای پیش بینی آسیب پذیری تحصیلی در مقطع کارشناسی مبتنی بر شبکه عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه علم و صنعت ایران

2 دانشگاه علم و صنعت ایران استاد دانشکده مهندسی صنایع

3 کارشناس ارشد تحلیل سیستم حوزه معاونت آموزشی دانشگاه علم و صنعت ایران

چکیده

هدف پژوهش حاضر، توسعه مدلی برای پیش­بینی شرایط اخراج آموزشی دانشجویان مقطع کارشناسی رشته­های مهندسی بوده که به روش داده­کاوی و با استفاده از الگوریتم شبکه عصبی به اجرا درآمده است. جامعه آماری، دربرگیرنده کلیه پذیرفته­شدگان سال­های 1387 لغایت 1390 در سه مورد از دانشگاه­های فنی و مهندسی کشور بوده است. داده­های پژوهش با بهره­برداری مستقیم از سیستم­های آموزش هر سه دانشگاه­ در مدل­سازی وارد شدند. 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 نسبت به پیش­بینی وضعیت تحصیلی یکایک دانشجویان اقدام نمود. کارآئی مدل­های حاصله در دانشگاههای مورد مطالعه، به ترتیب برابر 0.72، 0.556و 0.565 حاصل گردیدند. معدل کل، تعداد واحدهای گذرانده، تعداد نیمسال های مبادرت به   فعالیت­های فوق برنامه و تعداد نیمسال­های مشروطی قبلی به عنوان به عنوان موثرترین متغیرهای پیش­بین، توسط شبکه عصبی تشخیص داده شدند.
 

کلیدواژه‌ها


عنوان مقاله [English]

مدلی برای پیش بینی آسیب پذیری تحصیلی در مقطع کارشناسی مبتنی بر شبکه عصبی

نویسندگان [English]

  • A N 1
  • M F 2
  • L A 3
1 UNI
2 UNI
3 UNI
  1. 1.   آئین نامه اجرائی کمیسیون بررسی موارد خاص دانشگاه ها و مؤسسات آموزش عالی، وزات علوم، تحقیقات و فناوری، مصوب 16/12/1374
  2. 2.   آئین نامه آموزشی دوره­های کاردانی، کارشناسی ناپیوسته و کارشناسی پیوسته، وزارت علوم، تحقیقات و فناوری، شورای عالی برنامه­ریزی، مصوب 16/2/1376
  3. ابوالقاسمی، مهدی. و میرالی رستمی، ام کلثوم. (1392). عوامل مؤثر بر پیشرفت تحصیلی دانشجویان دانشکده های فنی و مهندسی دانشگاه تهران به منظور ارائه مدلی برای پیش بینی پیشرفت تحصیلی آنها.  فصلنامه آموزش مهندسی ایران، 58، 84- 67.
  4. امام قریشی، ف.، حیدری، س. ت. و نجفی پور، س. (1389). بررسی فاکتورهای مؤثر بر وضعیت تحصیلی دانشجویان دانشگاه علوم پزشکی جهرم. مجله دانشگاه علوم پزشکی بابل، (1)12، 45-40.
  5. بخشی، محمود و آهنچیان، محمدرضا. (1392). الگوی پیش بینی پیشرفت تحصیلی: نقش تفکر انتقادی و راهبردهای خودتنظیمی یادگیری. مجله ایرانی آموزش در علوم پزشکی، 13(2)، 163- 153
  6. 6.   تمنائی فر، محمدرضا.، نیازی، محسن، و امینی، محمد. (1386). بررسی مقایسه ای عوامل موثر بر اُفت تحصیلی دانشجویان ممتاز و مشروط. دو فصلنامه علمی- پژوهشی دانشگاه شاهد، 14(24): 52- 39
  7. 7.   چنگیزی آشتیانی، سعید.، شمسی، محسن. و محمد بیگی، ابوالفضل. (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
  8. 8.   حجازی، یوسف. و امیدی نجف آبادی، مریم. (1385). عوامل مؤثر بر موفقیت تحصیلی دانشجویان کشاورزی، مجله علوم کشاورزی ایران، 2(1): 25- 19
  9. 9.   حسن آبادی، حمید رضا.، یعقوبی، حمید.، پیروی، حمید.، اکبری زردخانه، س.، صبحی قراملکی، ن. و فرزان، ن. (1391)، عوامل مؤثر بر پیشرفت تحصیلی دانشجویان: نتایج مقدماتی یک طرح ملی. ششمین سمینار سراسری بهداشت روانی دانشجویان. رشت، ایران.
  10. دسترنج، منصوره.، بلوکی، صدیقه. و موذن، مریم. (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
  11. دلارام، معصومه.، آئین، فرشته. و فروزنده، نسرین. (1391). عوامل مؤثر بر مشروط شدن دانشجویان دانشگاه علوم پزشکی شهرکرد. مجله پزشکی هرمزگان، (2)16،163- 172.
  12. 12.        رحمتی، عباس. لسانی،‌ مهدی. و خلیل­زاده، ‌راحیل. (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.
  13. رودباری، مسعود.، احمدی، آزاده. و عبادی فرد آذر، فرید. (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.
  14. 14.        زارعی، جواد.، عزیزی، احمد. و کاظمی، اعظم. (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
  15. 15.        سنائی نسب، هرمز.، رشیدی جهان، حجت. و صفاری، محسن. (1391). عوامل مؤثر بر پیشرفت تحصیلی دانشجویان. فصلنامه راهبردی آموزش، 5(4): 249- 233
  16. 16.     شریفی اردانی، ع.، خیر، م.، حیاتی، د.، شریفی اردانی، ا.، رئیسی، ج. و روحی، ع. (1392). پیش بینی پیشرفت تحصیلی بر اساس ویژگی شخصیتی عزم با توجه به نقش میانجیگری جهت گیری هدف در میان دانشجویان کارشناسی ارشد دانشگاه شیراز. دوفصلنامه مرکز مطالعات و توسعه آموزش علوم پزشکی، (4): 64- 53
  17. 20.        شهرآبادی، ع.، رضائیان، م. و حق دوست، ع. ا. (1392). پیش بینی ارزشیابی پیشرفت تحصیلی بر اساس تجربه دوره تحصیلی در دانشجویان دانشگاه علوم پزشکی رفسنجان. مجله مرکز مطالعات و توسعه آموزش پزشکی، 10(4): 493- 485
  18. شهرابی، جمال (1392). داده کاوی 2. چاپ دوم. . انتشارات جهاد دانشگاهی، واحد دانشگاه صنعتی امیرکبیر. تهران. ایران.
  19. شهرابی، جمال و زارع، ابولفضل(1392). داده کاوی با کلمنتاین. چاپ اول. انتشارات جهاد دانشگاهی، واحد دانشگاه صنعتی امیرکبیر. تهران. ایران.
  20. فراحی، احمد. و مختاری، فرزاد. (1392). انتخاب الگوریتم داده کاوی مناسب برای تشخیص دلایل ترک تحصیل دانش آموزان (مورد کاوی مدارس استان اردبیل). پایان نامه کارشناسی ارشد. دانشگاه پیام نور استان تهران.
  21. عراقیه، علیرضا.، فتحی واجارگاه، کورش.، برزگر، نادر. و مرادی، سعید. (1390). توسعه سرمایه انسانی در آموزش عالی از طریق احترام به تنوع فرهنگی دانشجویان. دو فصلنامه مدیریت و برنامه ریزی در نظام­های آموزشی، ‌4(7)، 132- 100.
  22. عبد خدائی، محمد سعید.، فاتحی، یونس. و اسلامیان، حسن. (1390). پیش­بینی میزان اهمال کاری تحصیلی با توجه به باورهای فراشناختی در دانشجویان. اولین همایش ملی یافته­های علوم شناختی در تعلّیم و تربیت. مشهد، ایران.
  23. 26.        عظیمی، پرهام.، حنفی­زاده، پیام.، و فرهادیان یزدی،‌ فرین. (1391). عوامل مؤثر بر موفقیت تحصیلی هنرجویان موسیقی با استفاده از رویکردهای داده کاوی و شبکه های عصبی در مدرسه موسیقی صدا و سیمای جمهوری اسلامی ایران. پایان نامه کارشناسی ارشد، دانشگاه علامه طباطبائی. دانشکده مدیریت و حسابداری.
  24. 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.
  25. غفاری، ابولفضل.، کارشکی،‌ حسین. و رضائی، ‌مژگان. (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.
  26. کانتاردزیک، اِم. داده کاوی. ترجمه علیخانزاده، امیر (1392). چاپ سوم. انتشارات علوم رایانه. بابل. ایران.
  27. 30.     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.
  28. هان، جِی.، کمبر، اِم. و پی. جِی. داده کاوی: مفاهیم و تکنیک ها. ترجمه اسماعیلی، مهدی (1393). چاپ اول. انتشارات نیاز دانش. تهران. ایران.
  29. همائی، ر.، حیدری، ع.، بختیار پور، س. و برنا، م. (1389). رابطة انگیزة پیشرفت، هوش شناختی، هوش هیجانی، سوابق تحصیلی و متغیر­های جمعیت شناختی با عملکرد تحصیلی دانشجویان. یافته­های نو در روانشناسی، 64-49
  30. یوسفی، ناصر.، جدیدی، هوشنگ. و شیربگی، ناصر. (1391). بررسی بهداشت روانی در بین دانشجویان به عنوان پیش بینی کنندة عملکرد تحصیلی. مجله توسعه آموزش در علوم پزشکی، 5(9): 73-63.

17.        شورای عالی انقلاب فرهنگی جمهوری اسلامی ایران. (1390). نقشه جامع علمی کشور. دبیرخانه شورای عالی انقلاب فرهنگی.

18.        شورای عالی برنامه ریزی وزارت علوم، تحقیقات و فناوری. (1376). آئین نامه آموزشی دوره های کاردانی، کارشناسی پیوسته و ناپیوسته: ویژه دانشجویان ووردی سال 1376 به بعد. دبیرخانه شورای عالی برنامه ریزی.

19.        شورای عالی برنامه ریزی وزارت علوم، تحقیقات و فناوری. (1391). آئین نامه آموزشی دوره های کاردانی، کارشناسی پیوسته و ناپیوسته: ویژه دانشجویان ووردی سال 1391 به بعد. دبیرخانه شورای عالی برنامه ریزی.

31.        موسوی، معصومه.، هاشمی، سعدالله. و سلطانی، اسماعیل. (1392). پیش بینی تعلل ورزی تحصیلی بر اساس مولفه های هوش هیجانی. مجله علمی دانشگاه علوم پزشکی ایلام، 21: 29-21

32.        ولی زاده، لیلا.، فتحی آذر، اسکندر. و زمان­زاده، وحید. (1386). ارتباط ویژگی­های یادگیری با پیشرفت تحصیلی دانشجویان پرستاری و مامائی. مجله ایرانی آموزش در علوم پزشکی. (2)7: 450- 443

 

  1. Blass, E., Jasman, A. & Shelley, S. (2010). Visioning 2035: The Future of the Higher Education Sector in the UK. Futures, 42, 445–453.
  2. 37.        Bui, S. A., Craig, S.G., & Imberman, S. A. (2014). Is Gifted Education a Bright Idea? Assessing the Impact of Gifted and Talented Programs on Achievement, National Bureau of Economic Research, 6(3), 30-62.
  3. Calero, M. D., Belen, G. M., & Auxiliadora, M. R. (2011). Learning Potential in High IQ Children: The Contribution of Dynamic Assessment Tithe Identification of Gifted Children. Learning and Individual Differences, 21, 176–181.
  4. Changhui, K. (2007). Classroom Peer Effects and Academic Achievement: Quasi-Randomization Evidence from South Korea. Journal of Urban Economics, 61, 458–495.
  5. 40.        Chen, S. and Voyles, D. (2013). HESI Admiddion Assessment Scores: Predicting Student Success. Journal of Professional Nursing, 9(25), 32–37.
  6. Daniza, M. I., Herna, N. T., Manuel, G. O., Nora, S. D., Ba ´Rbara, & D. L., Rodolfo, M. I. (2004). Scholastic Achievement: A Multivariate Analysis of Nutritional, Intellectual, Socioeconomic, Sociocultural, Familial, and Demographic Variables in Chilean School-Age Children. Applied Nutritional Investigation, 10(20), 878-889.
  7. 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.
  8. Doygun, O., & Gulec, S. (2012).  The Problems Faced by University Students and Proposals for Solution. Procedia - Social and Behavioral Sciences, 47, 1115 – 1123.
  9. Etzkowitz, H., Webster, A., Gebhardt, C. & Terra, B. R. (2000). The Future of the University and the University of the Future: Evolution of Ivory Tower to Entrepreneurial Paradigm. Research Policy, 29, 313–330.
  10. Figen, A. (2010). Talented and Average Intelligent Children’s Levels of Using Emotional Intelligence, Procedia Social and Behavioral Sciences, 5, 553–558.
  11. Giambona, F., Erasmo, V., & Vassiliadis, E. (2011). Educational Systems Efficiency in European Union Countries. Studies in Educational Evaluation, 37, 108–12.
  12. Gidley, J. M. (2010). Globally Scanning for Mega Trends of the Mind: Potential Futures of Futures Thinking. Futures, 42, 1040–1048.
  13. 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.
  14. Gqweta, N. (2012). A perspective of final year diagnostic radiography students. Radiography, 18, 212-217.
  15. 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.
  16. 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.
  17. 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.
  18. James, K. (2008). A Critical Theory and Postmodernist Approach to the Teaching of Accounting Theory. Critical Perspectives on Accounting, 19, 643–676.
  19. 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.
  20. Knauss, P. J. & Wilsson, P. (2013). Predicting Early Academic Success: HESI Admissions Assessment Exam. Journal of Professional Nursing, 29, 28-31.
  21. Laurens, C., Krist, D. W., Erwin, O., & Ides, N. (2012). Efficiency and Equity in Private and Public Education: A Nonparametric Comparison. European Journal of Operational Research, 202, 563–573.
  22. Monzurur Rahman. S. M. (2006). Data Mining Using Neural Networks. A thesis Submitted in fulfilment of the requirements for the Degree of Doctor of Philosophy. RMIT University
  23. Marcos, J. P., Cunha, D. M., Andrea, J., Roberto, R., Perez, D., & Yahn, D. A. (2009). Social Segregation and Academic Achievement in State-Run Elementary Schools in the Municipality of Campinas. Brazil Geoforum, 40, 873–883.
  24. Marginson, S. (2010). Higher Education in the Global Knowledge Economy. Procardia Social and Behavioral Sciences, 2, 6962–6980.
  25. McClure, J., Meyer, L. H., Garisch, J., Fischer, R., Weir, K. F., & Walkey, F. H. (2011). Students’ Attributions for Their Best and Worst Marks: Do they relate to Achievement? Contemporary Educational Psychology, 36, 71–81.
  26. McDonald, L. (2012). Educational Transfer to Developing Countries: Policy and Skill Facilitation. Procedia - Social and Behavioral Sciences, 69, 1817 – 1826.
  27. 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.
  28. 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.
  29. National Association for Gifted Children. (2010). Pre-K to Grade 12 Gifted Programming Standards.
  30. Nistor, N., & Neubauer, K. (2010). From Participation to Dropout: Quantitative Participation Patterns in Online University Courses. Computers &Education, 55, 663-672.
  31. Nonis, S. A., Hudson, G., Philhours, M. J., & Teng, J. K. (2005). Changes in College Student Composition And Implications For Marketing Education: Revisiting Predictors Of Academic Success. Journal of Business Research, 58, 321– 329.
  32. Operating Standards for Identifying and Serving Gifted Students, (2008). Ohio Administrative report.
  33. Pena, A, A. (2014). educational data mining: a survey and a data mining based analysis of recent work.  Expert Systems with Applications, 41, 1432–1462
  34. Reichmann, M. (2012). Future-Oriented  Higher  Education:  Which  Key  Competencies  Should  Be Fostered  Through  University  Teaching  And  Learning? Futures, 44, 127–135.
  35. 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.
  36. Romero, C., ventura, S., Pechenizkiy, M. & Baker, R. S. (2010), Handbook of Educational Data Mining. CRC Press. United States.                               
  37. 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.
  38. 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.
  39. 74.        Sally, R. M. & Joseph, S. R. (2010). Is There Still a Need for Gifted Education? An Examination of Current Research. Learning and Individual Differences, 20, 308–317.
  40. Schlesselman, L. S., & Coleman, G. I. (2011). Predictors of Poor Student Performance at a Single, Accreditation Council for Pharmacy Education–Accredited School of Pharmacy. Currents in Pharmacy Teaching and Learning, 3, 101–105.
  41. Shovon, H, I. (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), 146-149.
  42. 77.        Stukalina, Y. (2013). Management of the Educational Environment: The Context in Which Strategic Decisions Are Made. Procedia - Social and Behavioral Sciences, 99, 1054 – 1062.
  43. Su, Y., Feng, L. Yang, C. & Chen, T. (2012). How  Teachers  Support  University  Students’  Lifelong  Learning  Development for  Sustainable  Futures: The  Student’s Perspective. Futures, 44, 158–165
  44. Taejong, K., Ju-Ho, L., & Young, L. (2008). Mixing Versus Sorting in Schooling: Evidence from the Equalization Policy in South Korea. Economics of Education Review, 27, 697–711.
  45. U.S. Department Of Education, for Each And Every Child—A Strategy for Education Equity and Excellence, Washington, D.C., 2013.
  46. Vesela, D., & Klimova, K. (2013). Supporting Creative Industries with Innovative University Study Programmes. Procedia - Social and Behavioral Sciences, 81, 152 – 156.
  47. Warwick, P. (2015). The International Business of Higher Education. A Managerial Perspective on the Internationalisation of UK Universities. The International Journal of Management Education, (12), 91-103.
  48. Weber, A. S. (2011). The Role of Education in Knowledge Economies in Developing Countries. Procedia Social and Behavioral Sciences, 15, 2589–2594.
  49. 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.
  50. 85.        Winters, T. F. (2006). Educational Data Mining: Collection and Analysis of Score Matrices for Outcomes-Based Assessment. A Dissertation submitted in partial satisfaction of the requirements for the degree of  Doctor of Philosophy in Computer Science. UNIVERSITY OF CALIFORNIA RIVERSIDE
  51. Yi, H., Zhang, L., Luo, R., Shi, Y., Mo, D., Chen, Z., Brinton, C. & Rozelle, S. (2012). Dropping Out: Why Are Students Leaving Junior High in China’s Poor Rural Areas? International Journal of Educational Development, 32, 555–563.
  52. 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.
  53. Zoghbi, C., Fabiana, A. R., & Enlinson, M. (2013). Education Production Efficiency: Evidence from Brazilian Universities. Economic Modeling, 31, 94–103.