نوع مقاله : مقاله پژوهشی

نویسندگان

• حمیدرضا کوشا ¹
• ثناء دنگ کوب ²
• امیرعباس برزنونی ²

¹ گروه آموزشی مهندسی صنایع، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

² گروه آموزشی مهندسی صنایع، دانشکده مهندسی صنایع و مدیریت، دانشگاه صنعتی سجاد، مشهد، ایران

چکیده

پیشینه و اهداف: داده‌ مربوط به سلامت روان دانشجویان چندین سال است که در سیستم‌های اطلاعاتی دانشگاه‌های سراسر کشور ثبت می‌شود و به علت حجم بالای آن روش‌های معمول آماری و روان‌کاوی برای پیش‌بینی الگوها و عوامل مؤثر بر سلامت روان دانشجویان کارایی لازم را ندارد. این‌جاست که فن داده‌کاوی مفید واقع شده و کمک می‌کند بر اساس مجموعه داده ثبت‌شده از وضعیت جسمانی و به‌خصوص روانی دانشجویان، آن‌هایی که در معرض ریسک بالا هستند، پیش‌بینی و شناسایی شده و تصمیم‌گیری‌های مناسب و به‌هنگام برای بهبود وضعیت دانشجویان اتخاذ گردد. بهبود عملکرد دانشجویان همواره یکی از مهم‌ترین اهداف مسئولان و مدیران دانشگاه‌ها و مراکز آموزشی به شمار می‌رود. عوامل متعددی بر عملکرد مناسب دانشجویان تأثیرگذار است. علاوه بر عواملی که در حوزه آموزش و یادگیری دانشجویان است، موضوع سلامت جسمانی و روانی نیز بر نحوه عملکرد آن‌ها تأثیر می‌گذارد. به منظور تصمیم‌گیری به‌موقع و متناسب با وضعیت روانی هر دانشجو نیاز است الگوهایی در دسترس باشد تا بتوان بر اساس آن‌ها وضعیت بهداشت روان هر دانشجو پیش‌بینی شود. در این پژوهش تلاش شده با به‌کارگیری فن داده‌کاوی، وضعیت دانشجویان ورودی جدید دانشگاه، از لحاظ نیاز به مراجعه به مشاوره مورد بررسی قرار گیرد و الگوهای پنهان نهفته در مجموعه داده پایش سلامت روان دانشجویان با به‌کارگیری فنون رویکرد طبقه‌بندی استخراج گردد.
روش ها: فنون استفاده‌شده در این پژوهش، شامل درخت تصمیم‌، طبقه‌بندی بر اساس قانون، شبکه‌های عصبی، رگرسیون لجستیک و ماشین بردار پشتیبان می‌باشد. برای تمامی پارامترهای فنون مذکور، تنظیم انجام شده و نشان‌دهنده علائم نیاز به مشاوره با نرخ صحت 99% می‌باشد.
یافته‌ها: نتایج پژوهش نشان داد: می‌توان بر اساس مدل تدوین شده، وضعیت سلامت روانی دانشجویان را پیش بینی نمود. یکی از خروجی‌های کاربرد روش درخت تصمیم، این است که اگر فردی از یک ماه گذشته تا به امروز شدیداً، احساس ناامیدی ‌کند، یا به نظر اطرافیانش فردی وسواسی باشد یا احساس کند زندگی برایش بی‌ارزش است به مشاوره احتیاج دارد.
نتیجه‌گیری: با توجه به این که اکثر پژوهش‌های موجود در زمینه داده‌کاوی سلامت، تمرکز بر سلامت جسمانی  داشته‌اند، پیشنهاد می‌شود برای مطالعات آتی تمامی سطوح سلامت یعنی ابعاد سلامت دانشجویان شامل سلامت جسمانی، اجتماعی و معنوی و هم‌چنین ترکیبی از این ابعاد مورد بررسی قرار گیرد. علاوه‌ بر این مطالعه‌ای مروری بر روی انواع رویکردها و فنون مناسب برای مجموعه‌ داده‌های روان‌شناسی با هدف ایجاد یک تقسیم‌بندی مناسب برای فنون موجود در این حوزه انجام شود؛ هم‌چنین پیشنهاد می‌شود، مجموعه داده حاضر و یا مجموعه‌ داده‌های مشابه (اطلاعات پایش سلامت دانشجویان) با فنون دیگر طبقه‌بندی مورد بررسی قرار گرفته و نتایج حاصل با نتایج پژوهش حاضر مقایسه گردد. به طور کلی پیشنهاد می‌شود از فن داده‌کاوی برای استخراج الگوهای پنهان در مجموعه داده سلامت روان دانش‌آموزان مدارس در مقاطع تحصیلی متفاوت، کارمندان ادارات و سازمان‌ها استفاده گردد. در نهایت توصیه می‌گردد پژوهش‌های آتی در این زمینه ابتدا رویکرد خوشه‌بندی را بر روی مجموعه داده روان‌شناسی پیاده کنند و به دنبال آن از رویکردهای طبقه‌بندی و پیش‌بینی استفاده نمایند.

کلیدواژه‌ها

• داده‌کاوی
• رویکرد طبقه‌بندی
• پیش‌بینی
• سلامت روانی
• علائم نیاز به مشاوره

20.1001.1.20080441.1397.13.1.5.2

موضوعات

• داده کاوری

عنوان مقاله [English]

Application of data mining techniques to predict students' mental health status to improve educational performance

نویسندگان [English]

• H. Koosha ¹
• S. Dangkoub ²
• A. Barzanooni ²

¹ DDepartment of Industrial Engineering, Ferdowsi University of Mashhad, Iran

² Department of Industrial Engineering and management, Sadjad University of Technology, Mashhad, Iran

چکیده [English]

Background and Objective: Student mental health data has been recorded in the information systems of the universities across the country for several years, and due to its high volume, conventional statistical and psychoanalytic methods to predict patterns and factors affecting students' mental health are not effective. This is where data mining technology comes in handy and helps to predict and identify those at high risk based on the recorded data set of students 'physical and especially mental health status, and to make appropriate and timely decisions to improve students' condition. One of the main objectives of every managers of educational centers is making improvements in students’ educational performance. Besides the educational factors, physical and mental health is considerable which has a significant effect on students’ behavior. Therefore, some rules and patterns are required to make the best decisions, based on the prediction of students’ mental health state. This paper proposes a data mining approach for analyzing and extracting patterns in terms of new students’ mental health, which means whether they need to visit a psychologist. Our effort was on extracting hidden rules in new students’ mental health examination by employing classification approach.
Methods:Techniques used in this study are decision tree, rule based classifier, neural network, logistic regression and support vector machine. Moreover, a parameter tuning process is done for all the techniques mentioned and the results presents the list of symptoms of individuals who need detailed examination.
Findings:The results of the research represent that one can predict the status of students’ mental helath based on propsed model. One of the outcomes of decision tree is that if a person severely feels disappointed or seems to be obsessive by others, or feels that life is worthless, definitely a consultaion is needed.
Conclusion: Considering that most of the existing research in the field of health data mining have focused on physical health, it is suggested that for future studies, all levels of health, i.e dimensions of students' health, including physical, social and spiritual health, as well as a combination of these dimensions be considered. In addition, a review of the various approaches and techniques appropriate to the psychological data set should be conducted with the aim of creating an appropriate classification for the existing techniques in this field. It is also suggested that the present data set or similar data sets (student health monitoring information) be examined with other classification techniques and the results be compared with the results of the present study. In general, it is suggested that data mining technology be used to extract hidden patterns in the mental health data set of school students at different levels of education, office workers and organizations. Finally, it is recommended that future research in this field first implement the clustering approach on the psychological data set and then use the classification and forecasting approaches.

کلیدواژه‌ها [English]

• Data mining
• Classification approach
• Prediction
• Mental health
• Detailed examination requirement

COPYRIGHTS 
©2019 The author(s). This is an open access article distributed under the terms of the Creative Commons Attribution (CC BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, as long as the original authors and source are cited. No permission is required from the authors or the publishers.