پیش بینی دوره ی فارغ التحصیلی دانش آموزان با استفاده از تکنیکهای داده کاوی

پیش بینی دوره ی فارغ التحصیلی دانش آموزان با استفاده از تکنیکهای داده کاوی

آکادمی داده

۱۳۹۷/۰۴/۲۸


  • 56 بازدید

در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.

در این رشته نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد. 

در این مقاله از چهار الگوریتم داده کاوی SVM، درخت تصمیم C5 . 0 و شبکه های عصبی MLP و Naive Bayse برای پیش بینی دوره فارغ التحصیلی دانش آموزان استفاده شده است. با بکار گیری این الگوریتمها ، مدیران آموزشی می توانند مشاوره های لازم را برای پیشگیری از رسیدن دانش آموزان به وضعیت بحرانی به کار گیرند. همچنین استفاده از نتایج این الگوریتم ها می توانند نقش مهمی را در ارتقای سطح علمی دانش آموزان داشته باشند. همچنین می توان دانش آموزانی که دچار افت تحصیلی شده را تشخیص داده و در برنامه ریزی های آموزشی و روان شناسی برای جلوگیری از افت تحصیلی دانش آموزان به مدیران آموزشی و مشاوران مدارس و خانواده های این دسته از دانش آموزان که وضعیت تحصیلی آتی آنها در خطر است کمک و یاری نمود. و همچنین با توجه به تعداد دانش آموزان فارغ التحصیل در دوره های مختلف سال تحصیلی به نسبت کل دانش آموزان ورودی در هر سال تحصیلی می توان امکانات و تسهیلات هر مدرسه را برای داشتن بالاترین درصد فارغ التحصیلی به نسبت تعداد دانش آموزان تنظیم و آماده کرد. 
از ویژگیهای ورودی این 4 تکنیک به این نتیجه رسیدیم که فیلدهایی مثل تحصیلات پدر ، معدل کل و نوع معلولیت اثری در فیلد کلاس فارغ التحصیلی نداشتند. همان طور که عوامل غیر مؤثر بر دورهی فارغ التحصیلی دانش آموزان مشخص گردید ، می توان عوامل مؤثر بر فارغ التحصیل شدن دانش آموزان در دوره ی روزانه را نیز تشخیص داده و برای دانش آموزان ورودی سال تحصیلی بعد این فاکتورها و عوامل را تقویت یا اعمال کرد تا از ورود آنها به مدارس بزرگسال و فارغ التحصیل شدن در این گونه مدارس و مهم تر از آن از افت تحصیلی دانش آموزان در پایان سال تحصیلی جلو گیری کرد و از طرفی درصد قبولی مدارس را که یکی از دغدغه های اصلی مدیران رده ی بالا تا مدیران ارشد آموزشی است نیز افزایش داد. با توجه به این که برای هر دوره فارغ التحصیلی هر یک از مدل ها جواب خوبی ارائه میدادند می توان در آینده از مدل های Ensemble به صورت سلسله مراتبی برای داشتن اطمینان بیشتر به نتایج استفاده کرد.

 

 

این مقاله از طریق لینک قابل دسترسی است و محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 


کپی برداری بدون ذکر منبع، بر اساس قانون جرائم اینترنتی و مادۀ 12 فصل سوم قانون جرائم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 
اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه تجاری یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 


افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.