مقاله طراحی سامانه تخمین تراز آزمون با استفاده از سیستم استنتاج عصبی فازی تطبیقی

بخشی از مقاله

چکیده

با شدت گرفتن رقابت در کنکورهای تحصیلات تکمیلی، علاوه بر تلاش دانشجویان، قدرت پیشبینی آینده بر اساس وضعیت موجود هر دانشجو اهمیت قابل توجهی در مسیریابی تحصیلی آنان پیدا کرده است. با توجه به سابقه طولانی کنکورهای تحصیلات تکمیلی در کشور و همچنین وجود حجم قابل توجهی از شرکتکنندگان میتوان به یک مجموعه غنی از دادههای متناسب تخمین برای هر رشته امتحانی دست یافت. لذا با بهرهگیری از حجم قابل توجه دادههای پیشین میتوان وضعیت نهایی هر دانشجو بر اساس آزمونهای قبلی را تخمین زد و رتبه و تراز او را برازش نمود. در این پژوهش با استفاده از دادههای مربوط به دانشجویان حاضر در آزمون کارشناسی ارشد رشته مدیریت صنعتی در سال 1395، یک سامانه تخمین رتبه طراحی شده است.

در سامانههای معمول از روشهایی نظیر درونیابی یا رگرسیون یا سایر روشهای ابتدایی بهره گرفته میشود اما در این پژوهش از یک سامانه ترکیبی عصبی - فازی استفاده شده است تا غنای تصمیمگیری و حداقلسازی خطای نهایی برازش با دقت بیشتری دنبال گردد. روش مورد استفاده سیستم استنتاج عصبی فازی تطبیقی - ANFIS - است که بر اساس برازش دادههای مورد نظر صورت میگیرد. با استفاده از این سامانه، میتوان وضعیت دانشجو را با توجه به آزمون سال مورد نظر تخمین زده و شرکت او در کنکور کارشناسی ارشد را شبیهسازی نمود.

-1 مقدمه

هر ساله در کشور ایران برای پذیرش دانشجویان در دانشگاهها، کنکور سراسری برگزار میشود. سازمان سنجش آموزش کشور که سازمانی تحت نظر وزارت علوم، تحقیقات و فناوریاست، متولّی اصلی برگزاری کنکور سراسری برای ورود به دانشگاههای دولتی است. قبول شدن در این آزمونهای سراسری و رقابت در آنها استرسهای فراوانی به داوطلبان وارد میکند. رقابت در کنکورهای تحصیلات تکمیلی روز به روز بیشتر شده و توانایی پیشبینی نتایج هر داوطلب در آینده بر اساس وضعیت فعلی هر دانشجو علاوه بر تلاش دانشجویان، تاًثیر قابل توجهی در هدایت تحصیلی آنان دارد.

با در نظر گرفتن حجم قابل توجهی از شرکتکنندگان و سابقه درازمدت کنکورهای تحصیلات تکمیلی، دادههای فراوانی از وضعیت دانشجویان در هر سال وجود دارد. از آنجایی که تخمین تراز در این کنکورها کار سادهای نیست، بنابراین برای این تخمین نیازمند اطلاعات و    دادههای دانشجویان سالهای قبل که در وضعیت مشابه قرار داشتند، هستیم. به عبارت دیگر نیازمند دانش و تجربه خواهیم بود. ولی بهدلیل تعداد زیاد دانشجویان و نتایج متعدد هرکدام در این آزمونها، نیاز به یک ابزار خودکار برای کاوش در میان کارنامههای این دانشجویان احساس میشود. یکی از مهمترین ابزارهایی که برای استنتاج دادهها و پیشبینی استفاده میشود، دادهکاوی1 است.

دادهکاوی فرآیند کشف الگوهای جالب و دانش از میان حجم انبوهی از دادههاست - Han, J., .Kamber, M. & Pei, J., 2011 - منابع دادهای میتوانند شامل پایگاه دادهها، انبار دادهها، وب و مخازن اطلاعاتی دیگری باشند و یا دادههایی هستند که به صورت پویا به درون سیستم تزریق میشوند . - Han, J., Kamber, M. & Pei, J., 2011 - با بهرهگیری از حجم قابل توجه دادههای پیشین و تکنیکهای پیشبینی در دادهکاوی میتوان وضعیت نهایی هر دانشجو بر اساس آزمونهای قبلی را تخمین زد و رتبه و تراز او را برازش نمود. شبکه های عصبی یکی از موضوعات در دادهکاوی است که در پیشبینی، ردهبندی و ... با حجم داده بسیار زیاد مورد استفاده قرار میگیرد.

اساس این روش بر پایه ساختار مغز انسان میباشد که باتوجه به نوع کارکرد مغز، دریافت اطلاعات، پردازش آنها و در نهایت تولید یک خروجی پایهریزی شده است - مشکانی، علی و ناظمی، عبدالرضا ., . - 1388 تاکنون بیشتر از روشهایی نظیر درونیابی یا رگرسیون یا سایر روشهای ابتدانی برای ایجاد سامانه تخمین رتبه بهره گرفته میشده است. اما در این پژوهش با استفاده از دادههای مربوط به دانشجویان حاضر در آزمون کارشناسی ارشد رشته مدیریت صنعتی در سال 1395 و    روش سیستم استنتاج عصبی فازی تطبیقی - ANFIS - که بر اساس برازش دادههای مورد نظر صورت میگیرد، یک سامانه تخمین رتبه طراحی شده است تا بتوان وضعیت دانشجو را تخمین زده و به شبیه-سازی شرکت آن داوطلب در کنکور کارشناسی ارشد پرداخت.

1؛-1 پیشینه پژوهش

از کارهایی که بر اساس دادهکاوی در حوزه آموزش انجام شدهاند می توان به نمونههای زیر اشاره نمود: سانتانا 2 و همکارانش در سال 2017به ارزیابی تاًثیر روش داده-کاوی آموزشی برای پیشبینی شکست علمی دانشآموزان در درس-های برنامهنویسی مقدماتی پرداختند. در این مقاله از الگوریتم های ماشین بردار پشتیبان3، درخت تصمیم 4، شبکه عصبی5 و بیز ساده6 استفاده کردند. نتایج حاکی از آن است که روشهای تشریحشده این توانایی را دارند که به زودی دانشجویانی را که میخواهند شکست بخورند، تشخیص دهند. - Santana et al, 2017 -

بیدزوسکا - 2016 - 7 به بررسی مساًله پیشبینی نمره نهایی دانشجویان در ابتدای نیمسال تحصیلی با تاًکید بر تشخیص دانشجویان ناموفق پرداخت. الگوریتمهای به کاربرده شده، ماشین بردار پشتیبان، جنگلهای تصادفی8، دستهبندی مبتنی بر قانون9، درخت تصمیم، بیز ساده و یادگیری بر مبنای نمونه10 بودند. نتایج نشان دادند که بهترین عملکرد مربوط به ماشین بردار پشتیبان بود - Bydzovska, H., .2016 - احمد11 و همکارانش در سال 2015 یک چارچوب برای پیشبینی عملکرد علمی دانشجویان سال اول دوره کارشناسی در درس علوم کامپیوتر ایجاد کردند.

روشهای درخت تصمیم، بیز ساده و دسته بندی مبتنی بر قانون بر روی دادههای دانشجویان بهمنظور ایجاد مدل پیش-بینی کننده عملکرد علمی دانشجویان بهکار برده شدند. با توجه به نتایج بدست آمده، دست بندی مبتنی بر قانون با دقت 71,3 ٪ بهترین مدل در میان بقیه روشها شناخته شد . - Ahmad et al, 2015 - کااور12 و همکارانش در سال 2015 به کمک الگوریتمهای داده-کاوی برای طبقهبندی و پیشبینی، به پیشبینی شاگردهای کند 13 بخش آموزشی پرداختند. پیشبینی و تشخیص دانشآموزان کند، به مؤسسات کمک میکند که در آینده یک تصمیم ویژه برای کمک به آنها بگیرند. در این مقاله یک مدل براساس متغیرهای مربوط به دانشآموزان انتخابی از یک دبیرستان ایجاد شده است و در میان تمام مدلهای طبقهبندی در دادهکاوی، شبکههای عصبی پرسپترون چند لایه - MLP - با 75٪ دقت، بهترین عملکرد را داشته است - Kaur et .al, 2015 -

صفاریان و همکارش در سال 2010 پیشبینی رتبه داوطلبان کنکور سراسری دانشگاهها را با استفاده از روشهای دادهکاوی انجام دادند. نتایج بکارگیری الگوریتم شبکه عصبی نشان میدهد که با دقت بالای 90 درصد میتوان رتبه داوطلب در کنکور سراسری را تخمین زد. همچنین از کلیه مطالب ارائه شده میتوان چنین نتیجهگیری کرد که رتبه داوطلبان در کنکور سراسری تا حد بسیار بالایی تابعی از وضعیت تحصیلی و درسی آنها در طی دوران تحصیل میباشد و عواملی مانند شانس یا برنامههای جانبی تاثیر چندانی بر موفقیت دانش آموزان در کنکور سراسری ندارد - صفاریان و همکاران , . - 1389

ابازری برگشادی و علیلو در سال 2014 به پیشبینی هدایت تحصیلی دانشآموزان با استفاده از الگوریتم درخت تصمیم و شبکه عصبی پرداختند.در این تحقیق سعی شد که ابتدا محدودیتهای انتخاب رشته به روشهای متداول مورد بررسی قرار گیرد سپس با استفاده از الگوریتمهای دادهکاوی و با در نظر گرفتن وضعیت تحصیلی دانشآموزان در گذشته مدلی ارایه شود که به انتخاب رشته دانش-آموزان کمک کرده و شانس موفقیت آنها را افزایش دهد - ابازری برگشادی و همکاران , . - 1393 ابازری برگشادی و حاتملو در سال2014 به پیشبینی هدایت تحصیلی دانشآموزان با استفاده از تکنیکهای دادهکاوی پرداختند.

در این مقاله به کمک تکنیکهایی مانند بیز ساده، ماشین بردار پشتیبان و درخت تصمیم در نرمافزار Rapid Miner مدلی را ارائه کردند که میزان موفقیت دانشآموزان را پیشبینی کند و براساس این مدل بتوانند از ورود دانشآموزان به رشتههایی که میزان موفقیتشان پایین است جلوگیری کنند - ابازری برگشادی، حسین و حاتملو، عبدالرضا ., . - 1393 صنعت خانی در سال 2013 مدلی برای پیشبینی نمرات دانشجویان با استفاده از شبکه بیزین14 پیشنهاد داد که باتوجه به ویژگیهای دانشآموزان و سابقه آموزشی آنها است.نتایج نشان داد که این روش پیشنهادی دارای اثرات اصلی با کیفیت از دانشجویان است و میتواند به عنوان یک ابزار مفید برای آنها استفاده شود - صنعت خانی، زهره., . - 1392

-2 مرور ادبیات

1؛-2 مجموعههای فازی

نظریه مجموعه های فازی توسط لطفی زاده15 در سال 1965 پیشنهاد شد و در کنار منطق سنتی دو مقداره و نظریه احتمالات قرار گرفت. این منطق به ما اجازه میدهد تا در سطح بالایی از انتزاع کار کنیم و ابزاری را برای مواجهه با دادههای نادقیق فراهم میکند. مهمتر اینکه نظریه مجموعههای فازی اجازه روبرو شدن با حقایق مبهم و نادقیق را به ما میدهد.این نظریه را میتوان برای سیستمهای داده-کاوی که در آنها دستهبندی مبتنی بر قاعده اجرا میشود، استفاده کرد .

- Han et al, 2011 - منطق فازی به عنوان یک پاسخ برای نیاز به یک استدلال سیستماتیک که بهتر با منطق انسانی انطباق پیدا میکند؛ معرفی شده است. هدف اصلی منطق فازی مرتبط کردن یک فضای ورودی با یک فضای خروجی است. منطق فازی این کار را از طریق کاربردهای متفاوت گزارههای اگرآنگاه که قوانین فازی نامیده میشوند؛ انجام میدهد - . - Zadeh, 1977 هر مدل استنتاج فازی یک پایگاه قوانین دارد که لیستی از تمام قوانین فازی مرتبط دارا است. فرآیند استنتاج از طریق ارزیابی موازی تمام قوانین فازی تعریف شده، اجرا میشود.T., 2016 -

2؛-2 شبکه عصبی مصنوعی

شبکههای عصبی مصنوعی - ANN - تقلیدی از فرآیند یادگیری در مغز انسان است. مؤلفه اساسی در پردازش یک شبکه عصبی، نرونها هستند که ورودیها را دریافت کرده و با استفاده از عملیات غیرخطی بر روی آنها، خروجیها را تولید میکنند - Godarzi et al, T., .2011 - شبکههای عصبی مصنوعی برای شبیهسازی ساختار و عملکرد سیستم شبکه عصبی انسان تلاش میکند. توانایی یادگیری از نمونهها این روش را یک ابراز خیلی مفید در مدل کردن دادهها کرده است. - Lawrence, 1994 -

3؛-2 شبکه عصبی فازی

ANN و منطق فازی تکنولوژیهای مکمل هم هستند. ANN توانایی یادگیری از دادهها را دارد اما نمیتواند کیفیت نگاشت ورودی-خروجی را تصریح کند. از طرف دیگر، استنتاج فازی استدلالی سیستماتیک را فراهم میکند که با منطق و فهم انساسی بیشتر سازگار است. محدودیتهای این دو روش منجر به ایجاد سیستمهای نوروفازی16 شده است. در حوزه سیستمهای هوشمند هیبریدی، جمله نوروفازی به ترکیب ANN و منطق فازی دلالت میکند. در این ساختارها، کمبودهای یک روش توسط تواناییهای دیگری جبران می-شود. سیستمهای نوروفازی با استفاده از قابلیت یادگیری ANN ، فرآیند تنظیم توابع عملکرد را خودکار میکنند . - Jang, 1993 -

4؛-2 سیستم استنتاج عصبی فازی تطبیقی

مدل ANFIS - سیستم استنتاج عصبی فازی تطبیقی - اولین بار توسط ژانگ در سال 1993 معرفی شد. ساختار ANFIS یک شبکه عصبی پنج لایه جلورونده و همچنین یک نوع از سیستم های نوروفازی هیبریدی است. ANFIS یک سیستم خبره نوروفازی هیبریدی است.