این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهشنامه پردازش و مدیریت اطلاعات، جلد ۳۷، شماره ۴، صفحات ۱۳۵۰-۱۳۱۹
عنوان فارسی توسعه مدلی برای تخمین و دسته‌بندی عملکرد آموزشی دانشجویان کارشناسی با استفاده از ترکیب شبکه‌های عصبی چندلایه (مطالعه موردی: دانشگاه قم)
چکیده فارسی مقاله رشد و پیشرفت دانشجویان، به عنوان سرمایه های آینده این کشور، همواره مورد اهمیت و توجه نظام آموزش و پرورش بوده است. چه بسیار دانشجویانی هستند که خلاقیت و استعدادشان شکوفا شده است و در عوض، ما سالیانه با تعداد کثیری از دانشجو مواجه هستیم که استعدادهایشان تلف شده و از موفقیت دور شده اند. امروزه، با افزایش دانشجویان در مقاطع مختلف دانشگاهی و تنوع رشته های تحصیلی، لزوم هدایت صحیح دانشجویان بیش تر از قبل احساس می‌شود. بدین منظور داده‌کاوی آموزشی در سال‌های اخیر موردتوجه ویژه‌ مسئولان نظام آموزش و پرورش قرارگرفته است. تاکنون روش‌ها و تکنیک های دسته‌بندی متنوعی در حوزه داده‌کاوی و یادگیری ماشین به‌منظور دسته بندی و پیش بینی عملکرد دانشجویان به کار گرفته‌شده‌اند. اما این دسته‌بندهای تکی برای پیش‌بینی عملکرد در فرآیند آموزش محدودیت‌هایی از قبیل پیچیدگی و عدم ثبات دارند. برای مقابله با این مشکل دسته‌بندهای جمعی به عنوان روش های نوین و کارآمد مطرح می‌شوند. سیستم‌های دسته‌بند جمعی نتایج چندین دسته‌بند تکی را ترکیب می‌کنند و مدلی با عملکرد بهتر ارائه می‌دهند. در این پژوهش یک دسته‌بند جمعی جدید با استفاده از شبکه‌های عصبی چندلایه و خوشه‌بندی SOM به‌منظور تخمین و دسته‌بندی معدل دانشجویان دوره کارشناسی ارائه‌ شده است. همچنین از روش ترکیبی میانگین‌گیری و رأی اکثریت برای ترکیب نتایج دسته‌بندهای تکی استفاده‌ شده است. نتایج ارزیابی بر روی داده‌های واقعی دانشگاه نشان می‌دهد که مدل پیشنهادی ارائه‌شده در این پژوهش دقت و کارایی بیشتری نسبت به روش‌های دسته‌بندی منفرد مشهور و پرکاربرد دارد. همچنین مدل پیشنهادی در مقایسه با روش‌های جمعی معروف، عملکرد بهتری در دسته بندی معدل دانشجویان داشته است.
کلیدواژه‌های فارسی مقاله خوشه‌بندی، داده‌کاوی آموزشی، دسته‌بندهای جمعی، شبکه‌های عصبی
عنوان انگلیسی Development of a model for estimating and classifying the educational performance of undergraduate students using a combination of multilayer neural networks (Case study: Qom University)
چکیده انگلیسی مقاله Students' growth and development have always been considered important by the education system as they are the future assets of their country. Although many students can flourish their talents and creativity, we are faced with a large number of students each year whose talents are squandered leading them to a position far from success. Today, with the more students entering in different academic levels and the variety of study disciplines, the necessity to properly guide students is felt more than ever. For this purpose, educational data mining has received special attention from the educational system's officials in recent years. So far, various classification methods and techniques in data mining and machine learning have been used to predict student performance. However, these individual classifiers have limitations such as complexity and instability for predicting performance in the education process. To tackle this problem, ensemble classification has been proposed as a new and efficient method. Ensemble classification systems combine the results of several individual classifiers to provide a model with better performance. In this paper, a new Ensemble classification system is presented using multilayer neural networks and SOM clustering in order to estimate and classify the grade point average of undergraduate students. In addition, we used averaging and majority voting as combination methods for aggregating the results of individual classifiers. Evaluation results on real university data show that our proposed ensemble system provides better accuracy and performance compared to prevalent individual classification methods. Also, the proposed ensemble system obviously outperforms other popular ensemble methods in classifying students' GPA.
کلیدواژه‌های انگلیسی مقاله Clustering, Educational Data Mining, Ensemble Classification, Neural Networks
نویسندگان مقاله هدیه مهدوی | Hadiyeh Mahdavi
Faculty of Engineering, Qom University, Qom, Iran.,
گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران

جلال رضائی نور | Jalal Rezaei Noor
Department of Industrial Engineering, Faculty of Engineering, Qom University, Qom, Iran.
گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران

محمد امینی | Mohammad Amini
Faculty of Industrial Engineering, University of Science and Technology, Tehran, Iran.
دانشکده مهندسی صنایع، دانشگاه علم و صنعت، تهران، ایران

نشانی اینترنتی http://jipm.irandoc.ac.ir/browse.php?a_code=A-10-2967-8&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تحلیل داده‌های کلان
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات