کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
383645 660828 2014 8 صفحه PDF 17 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله
Student data mining solution–knowledge management system related to higher education institutions
ترجمه فارسی عنوان
‌راه‌حل داده‌کاوی دانشجویان سیستم مدیریت دانش مرتبط با مؤسسات آموزش عالی
کلمات کلیدی
داده‌کاوی، سیستم مدیریت دانش، درصد موفقیت دانشجو، داده‌کاوی برای مجموعه داده‌های کوچک، موسسه آموزش عالی، داده‌کاوی آموزشی
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1)مقدمه

جدول 1. نمونه‌هایی از مجموعه داده‌های دانشجویان (خصوصیات درنظر گرفته شده عبارتند از: سال تحصیلی، شماره دانشجویی، جنسیت، سال تولد، اشتغال، وضعیت، دوره ورزشی انتخابی، وضعیت ثبت نام، نوع تحصیل: تمام وقت/پاره وقت، شرایط آزمون، نمرات مشارکت در فعالیت، نمرات آزمون، نمراتنهایی، نمره آزمون نهایی از 10).

2)روش

2.1 ایجاد مدل داده‌کاویدرصد موفقیت دانشجویان با استفاده از نرم افزار اکسل

2.2 ایجاد مدل داده‌کاوی دانشجویان با استفاده از برنامة Weka

3)نتایج

3.1 Key influencerبرای نمره آزمون نهایی دانشجو

3.2 Fill from example– پیش بینی نمره آزمون نهایی دانشجو برای سال تحصیلی 13/2012

شکل 1. فرآیند داده‌کاوی با استفاده از ابزار Weka– این فرآیند به 4 گام تقسیم شده است: ایجاد مدل و آماده سازی مجموعه داده‌ها(گام 1)، انتخاب فناوری‌ای برای تحلیل داده‌کاوی (در این تحقیق اکسل یا Weka) (گام 2)، انتخاب تکنیک مدلسازی – مثل درخت تصمیم یا رگرسیون (گام 3)، انتخاب بهترین مدل جهت ارزیابی نتایج (گام 4)

3.3 تفسیر داده‌ها

جدول 2. گزارش ket influencer برای نمره آزمون نهایی (این جدول این مقادیر را نشان‌ می‌دهد: سال تحصیلی، تأییدها، اثر نسبی و نمرات نهایی/ورزش)

جدول 3. تحلیل Fill from example برای نمره آزمون نهایی دانشجو (این جدول شامل مقادیر/مشخصه‌های متعددی است که برای تحلیل درنظر گرفته شده‌اند مانند: ثبت نام (اولین بار/تمدید)، نمرات ورزش و غیره)

3.4 تکنیک Key influencer برای «مشخصه نمره نمایی» دانشجو با استفاده از ابزار Weka

3.5 مدل Reptree

3.6 مدل J48

3.7 مدل M5P

جدول 4. پیش بینی نمره آزمون نهایی برای 13/2012 (این جدول دارای این مشخصه‌ها است: سال تحصیلی، شماره دانشجویی، نمره آزمون نهایی از 10 و پیش بینی نمره آزمون نهایی که با تحلیل داده‌کاوی با استفاده از ابزار اکسل بدست آمده است)

جدول 5. مقایسه نمره واقعی و پیش بینی شده آزمون نهایی (سال تحصیلی 13-2012) با استفاده از 2 درخت تصمیم. تحلیل با ابزار Weka انجام شد. نمره آزمون نهایی پیش بینی شده (از 10) با نمره آزمون نهایی واقعی مقایسه شد. سایر مشخصه‌های درنظر گرفته شده عبارتند از: شماره دانشجویی و سال تحصیل.

4) تشریح مطالب

شکل 2. مدل درخت تصمیم REPTree (که در مرحله آموزش تشکیل شد) – ریشه حاوی مشخصه نمرات نهایی است کهدر آن طبقه بندی نمرات آزمون و نمرات نهایی (کم، متوسط و زیاد) در برگ‌ها نشان داده شده است.

شکل 3. مدل درخت تصمیم J48 (که در مرحله آموزش تشکیل شد) – ریشه حاوی مشخصه نمرات نهایی است که در آن طبقه بندی نمرات آزمون و نمرات نهایی (کم، متوسط و زیاد) در برگ‌ها نشان داده شده است.

شکل 4. مدل درخت تصمیم M5P (که در مرحله آموزش تشکیل شد) – ریشه حاوی مشخصه نمرات نهایی است که در آن طبقه بندی نمرات آزمون و نمرات نهایی (کم، متوسط و زیاد) در برگ‌ها نشان داده شده است.

جدول 6. پیش بینی نمره آزمون نهایی برای 13/2012

5)نتیجه گیری‌ها و تحقیق آتی
ترجمه چکیده
مؤسسات آموزش عالی (HEI) اغلب کنجکاوند بدانند دانش آموزان حین تحصیل شان موفق‌اند یا خیر. ‌مؤسسات دانشگاهی پیش از دوره و در حین آن تلاش‌ می‌کنند تا درصد دانشجویان موفق را برآورد کنند. اما آیا‌ می‌توان درصد موفقیت دانش آموزانی که در این دوره‌ها نام نویسی کرده‌اند پیش بینی کرد؟ آیا خصوصیات دانشجویی خاصی وجود دارد که بتوان آن را با درصد موفقیت دانشجویان ربط داد؟ آیا داده‌های قابل دسترسی مربوط به دانشجویان برای ‌مؤسسات آموزش عالی وجود دارد که براساس آنها بتوانند درصد موفقیت دانشجویان را پیش بینی کنند؟ پاسخ سوالات تحقیقاتی فوق را عموماً‌ می‌توان با بکارگیری روش‌های داده‌کاوی پیدا کرد. متأسفانه، الگوریتم‌های داده‌کاویبا مجموعه داده‌های بزرگ بهترین عملکرد را نتیجه‌ می‌دهند، درحالیکه داده‌های قابل دسترس برای ‌مؤسساتو مرتبط با این دوره‌ها محدودند و در دسته مجموعه داده‌های کوچک قرار‌ می‌گیرند. به همین دلیل، محوریت این مقاله داده‌کاوی برای مجموعه داده‌های کوچک دانشجویی است و درصدد است که به سوالات مطرح شده با مقایسه دو روش متفاوت داده‌کاوی پاسخ دهد. نتیجه گیری‌های این مطالعه بسیار نویدبخش‌اند و ‌مؤسسات آموزش عالی را تشویق‌ می‌کنند تا روش‌های داده‌کاوی را به عنوان بخش مهمی از سیستم‌های مدیریت دانش آموزش عالی خود بکار گیرند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی


• Data mining is generally not limited to large data sets.
• Student data, available to professors are relevant to predict student success rate.
• Both data mining tools (Microsoft Excel and Weka) predict similar student success rate.
• HEI’s management and professors both benefit from early student success rate prediction.

Higher education institutions (HEIs) are often curious whether students will be successful or not during their study. Before or during their courses the academic institutions try to estimate the percentage of successful students. But is it possible to predict the success rate of students enrolled in their courses? Are there any specific student characteristics, which can be associated with the student success rate? Is there any relevant student data available to HEIs on the basis of which they could predict the student success rate? The answers to the above research questions can generally be obtained using data mining tools. Unfortunately, data mining algorithms work best with large data sets, while student data, available to HEIs, related to courses are limited and falls into the category of small data sets. Thus, the study focuses on data mining for small student data sets and aims to answer the above research questions by comparing two different data mining tools. The conclusions of this study are very promising and will encourage HEIs to incorporate data mining tools as an important part of their higher education knowledge management systems.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 41, Issue 14, 15 October 2014, Pages 6400–6407
نویسندگان
, ,