حسن ضیافت؛ قاسم آذری آرانی
چکیده
زمینه و هدف:
دادهکاوی آموزشی بهعنوان یکی از حوزههای نوین و میانرشتهای، نقش مهمی در تحلیل رفتار یادگیرندگان، شناسایی عوامل مؤثر بر موفقیت یا افت تحصیلی و پشتیبانی از تصمیمگیریهای آموزشی ایفا میکند. با رشد سامانههای آموزش الکترونیکی و افزایش حجم دادههای آموزشی، نیاز به روشهای هوشمند برای استخراج دانش نهفته در این ...
بیشتر
زمینه و هدف:
دادهکاوی آموزشی بهعنوان یکی از حوزههای نوین و میانرشتهای، نقش مهمی در تحلیل رفتار یادگیرندگان، شناسایی عوامل مؤثر بر موفقیت یا افت تحصیلی و پشتیبانی از تصمیمگیریهای آموزشی ایفا میکند. با رشد سامانههای آموزش الکترونیکی و افزایش حجم دادههای آموزشی، نیاز به روشهای هوشمند برای استخراج دانش نهفته در این دادهها بیش از پیش احساس میشود. روشهای سنتی یادگیری ماشین، هرچند در بسیاری از پژوهشها به کار گرفته شدهاند، اما در مواجهه با دادههای پیچیده، غیرخطی و چندبعدی آموزشی با محدودیتهایی از نظر دقت و قدرت تعمیمپذیری روبهرو هستند. در این میان، مدلهای مبتنی بر یادگیری عمیق و شبکههای عصبی مصنوعی به دلیل توانایی بالا در مدلسازی روابط پیچیده، توجه پژوهشگران را به خود جلب کردهاند. هدف اصلی این پژوهش، توسعه و ارزیابی یک مدل ترکیبی هوشمند مبتنی بر شبکههای عصبی پیشخور شامل شبکه عصبی مصنوعی، شبکه یادگیری با سرعت بالا (ELM) و شبکه پرسپترون چندلایه به همراه روشهای پیشرفته انتخاب ویژگی است تا ضمن شناسایی متغیرهای کلیدی مؤثر بر عملکرد تحصیلی دانشجویان، دقت پیشبینی وضعیت تحصیلی آنها بهطور معناداری افزایش یابد.
روش پژوهش:
در این مطالعه، مجموعهای جامع از دادههای آموزشی شامل اطلاعات دموگرافیک، اجتماعی–اقتصادی، وضعیت ثبتنام، سوابق آموزشی و نمرات تحصیلی دانشجویان مورد استفاده قرار گرفت. دادهها از سامانههای آموزشی دانشگاهی و همچنین مجموعهدادههای عمومی معتبر گردآوری شدند. پس از انجام پیشپردازشهای لازم از جمله پاکسازی دادهها، مدیریت مقادیر گمشده و نرمالسازی ویژگیها، فرآیند انتخاب ویژگی با استفاده از سه روش MRMR، Chi-square و ReliefF انجام شد. سپس سه شبکه عصبی ANN، ELM و MLP با استفاده از ۹۰ درصد دادهها آموزش داده شدند و ۱۰ درصد باقیمانده برای آزمون و اعتبارسنجی مدلها مورد استفاده قرار گرفت. در نهایت، خروجی شبکهها با بهرهگیری از روش رأیگیری اکثریت بهصورت یک مدل ترکیبی ادغام شد. عملکرد مدل پیشنهادی با استفاده از معیارهای استاندارد دقت، صحت، فراخوانی و معیار F ارزیابی گردید.
یافتهها و نوآوری:
نتایج حاصل از آزمایشها نشان داد که روش ReliefF در مقایسه با سایر روشهای انتخاب ویژگی، عملکرد بهتری در شناسایی ویژگیهای مؤثر دارد. با استفاده از ۲۰ ویژگی برتر استخراجشده توسط این روش، مدل ترکیبی پیشنهادی به دقت ۸۱.۴۴ درصد و مقدار F برابر با ۷۲.۰۹ درصد دست یافت. در بررسی عملکرد شبکههای عصبی بهصورت مستقل، شبکه ELM بهترین نتیجه را با دقت ۸۲.۸ درصد ارائه کرد که بهطور متوسط ۲ تا ۴ درصد بالاتر از ANN و MLP بود. علاوه بر این، مقایسه مدل پیشنهادی با روشهای سنتی یادگیری ماشین نشان داد که مدل ترکیبی شبکههای عصبی توانسته است دقت پیشبینی را بیش از ۷ درصد و دقت طبقهبندی را بیش از ۴ درصد بهبود بخشد که بیانگر برتری معنادار رویکرد پیشنهادی است.
نتیجهگیری و کارهای آینده:
یافتههای این پژوهش نشان میدهد که ترکیب شبکههای عصبی پیشخور با روشهای مناسب انتخاب ویژگی، رویکردی کارآمد و قابل اتکا برای پیشبینی وضعیت تحصیلی دانشجویان است. مدل پیشنهادی میتواند بهعنوان یک ابزار تصمیمیار هوشمند در نظامهای آموزشی برای شناسایی زودهنگام دانشجویان در معرض افت تحصیلی مورد استفاده قرار گیرد. در پژوهشهای آینده، بهکارگیری سازوکارهای توجه، روشهای پیشرفتهتر انتخاب ویژگی، مدلهای یادگیری عمیقتر و استفاده از مجموعهدادههای بزرگتر و متنوعتر میتواند به بهبود بیشتر دقت و تعمیمپذیری مدل منجر شود..
