بخشی از مقاله
چکیده
امروزه با توجه به حجم بالای دادههای خام ذخیره شدهی مربوط به دانش آموزان در بانکهای اطلاعاتی موجود در آموزش و پرورش و افزایش روز به روز این دادهها، بدست آوردن دانش نهفته در این دادهها به عنوان ضرورتی در جهت بهبود کیفیت و برنامهریزی صحیح تحصیلی بوجود آمده است که برای حل این مشکل از تکنیکهای دادهکاوی بهره میگیریم. در این تحقیق عوامل تاثیرگذار فردی، محیطی و تحصیلی دانش آموزان نظیر فعالیت دانش آموز در هفته، وضعیت اقتصادی خانواده، میزان رضایت دانش آموز از مدرسه کنونی و... بر عملکرد دانش آموز مورد بررسی قرار گرفته است. اکتشاف و استخراج روابط معنادار میان عوامل مختلف به کمک داده کاوی می تواند جهت ارائه راهکارهایی به منظور بهبود عملکرد دانش آموزان موثر باشد. مجموعه اطلاعات جمع آوری شده در این تحقیق مربوط به دانش آموزان موفق و ناموفق سال دوم و سوم مقطع متوسطه استان بوشهر می باشد که پس از اعمال الگوریتم های دسته بندی و خوشه بندی، مهمترین عوامل موثر بر موفق یا ناموفق بودن تحصیلی دانش آموزان استخراج شدند.
واژگان کلیدی: داده کاوی آموزشی، رفتارکاوی دانش آموزان، دسته بندی، خوشه بندی
کارهای مرتبط
فعالیتهای بسیاری در سیستمهای آموزشی وجود دارد که از طریق داده کاوی قابل حل میباشد. از کارهایی که براساس تکنیکهای داده کاوی در این حوزه انجام گرفته است میتوان به نمونه های زیر اشاره کرد:
بررسی جامعی از پژوهشهای این حوزه از سال 1995 تا 2005 ارائه شده است و خلاصهای از دستاوردهای هریک از پژوهشها در این تحقیق آورده شده است . - Romero and Ventura, 2007 - شناسایی عوامل موثر بر افت تحصیلی با استفاده از قواعد انجمنی و تحلیل خوشه ای مورد بررسی قرار گرفته شد. در این تحقیق، تلاش برای پیاده سازی مدل-های داده کاوی پیش بینی کننده به منظور پیش بینی وضعیت تحصیلی دانشجویان براساس مشخصات فردی و گذشته تحصیلی آنها انجام گرفته شده است - بهروز مینایی و همکاران، . - 1391 بررسی شده است که عملکرد تحصیلی دانشجویان براساس عوامل گوناگونی مانند متغیرهای فردی، اجتماعی، روانی و دیگر عوامل محیطی است و با استفاده از رده بندی بیز که ساده و بیتکلف است به این نتیجه میرسد که عوامل متعددی تاثیر قابل توجهی بر روی عملکرد دانش آموزان دارد و شناسایی این عوامل میتواند در بهبود عملکرد آنها در آینده تاثیر بگذارد - Bhardwaj and Pal, .2012 -
با بکارگیری الگوریتم خوشه بندی Two-step و الگوریتمهای درخت تصمیم و شبکه های عصبی بر روی دادههای 1500 دانشجو، توانستند دانشجویان ماندگار و غیر ماندگار را خوشه بندی و پیشبینی نمایند . - Luan, 2002 - ارزیابی و بررسی عوامل گوناگونی نظیر ویژگیهای جنسیت، حضور درکلاس، درآمد پدر و مادر، فرزند اول بودن و...دانش آموزان در رها کردن موسسات آموزشی با استفاده از درخت تصمیم گیری پرداخته شده است - Quadri and .Kalyankar, 2010 - کارایی دانش آموزان در محیط آموزشی را در کنار ارتباط ویژگیهای تاثیرگذار در بهبود آن مورد بررسی قرار گرفته شد . - Kotsiantis et al, 2004 - قوانین انجمنی را برای برطرف کردن مشکلات دانش آموزان در محیط آموزشی و ارائه مشاوره به آنها مورد استفاده قرار دادند . - Hamalainen and Vinni, 2006 -
از قوانین انجمنی برای هدایت فعالیتهای دانش آموزان و پیشنهاد محتوای آموزشی استفاده شد . - Zaiane, 2009 - تکنیکهای داده کاوی با متدولوژی کریسپ بکار گرفته شد تا با توجه به سوابق عملکرد تحصیلی دانش آموزان به طراحی یک سیستم توصیه در راستای پشتیبانی از روند ثبت نام دانشجویان استفاده شود . - Vialardi et al, 2011 - یک مدل شبکه Bayesian برای پیشبینی نمرات دانشجویان با در نظر گرفتن خصوصیات دانش آموزان و سوابق تحصیلی آنها پیشنهاد شده است . - Torabi et al, 2012 - اطلاعات از دانش آموزان با استفاده از پرسشنامه و مصاحبه برای پیدا
