این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت صنعتی، جلد ۱۶، شماره ۳، صفحات ۴۵۷-۴۸۱
عنوان فارسی مقایسه مدل‌های یادگیری جمعی برای پیش‌بینی رتبۀ کشوری دانش‌آموزان در کنکور سراسری
چکیده فارسی مقاله هدف: این پژوهش به بررسی و مقایسه مدل‌های یادگیری جمعی می‌پردازد تا بتواند به پیش‌بینی دقیق‌تری از رتبۀ کشوری دانش‌آموزان در کنکور سراسری دست یابد. هدف اصلی این پژوهش شناسایی مدل‌های بهینه‌ای است که با تحلیل داده‌های آزمون‌های آمادگی که پیش از کنکور برگزار می‌شود، بتوانند رتبۀ دانش‌آموزان را با بیشترین دقت پیش‌بینی کنند. مدل‌های شناسایی‌شده می‌توانند به مشاوران تحصیلی کمک کنند تا با ارائۀ توصیه‌های دقیق‌تر و مبتنی بر داده، به دانش‌آموزان در انتخاب مسیر تحصیلی و برنامه‌ریزی آموزشی کمک کنند. روش: در این پژوهش، به‌منظور تحلیل دقیق عملکرد دانش‌آموزان، از نرم‌افزار Octoparse برای جمع‌آوری داده‌های مرتبط با آزمون قلمچی کانون فرهنگی آموزش استفاده شد. مجموعه داده‌ها اطلاعات مهمی بودند، نظیر میانگین نمره آزمون، رتبه‌های کشوری و منطقه‌ای، رشته‌های تحصیلی و دانشگاه‌های قبولی دانش‌آموزان. همچنین در این مطالعه، چهار مدل پیشرفته یادگیری جمعی شامل XGBoost، LightGBM، CatBoost و Random Forest به‌منظور مقایسه و ارزیابی عملکرد در پیش‌بینی رتبۀ کشوری دانش‌آموزان انتخاب شد. به‌منظور سنجش دقت و کارایی این مدل‌ها، از معیارهای متنوعی مانند میانگین مربعات خطا، جذر میانگین مربعات خطا، ضریب تعیین و همچنین زمان‌های آموزش و پیش‌بینی استفاده شد. داده‌های جمع‌آوری‌شده، به دو بخش آموزشی و آزمایشی تقسیم شدند تا مدل‌ها بتوانند به بهترین شکل آموزش ببینند و ارزیابی شوند. به‌منظور دستیابی به عملکرد بهینه، از روش جست‌وجوی شبکه‌ای بهره گرفته شد که به ما اجازه می‌دهد پارامترهای مدل‌ها را به‌طور دقیق تنظیم کنیم و بهترین نتایج ممکن را به‌دست آوریم. یافته‌ها: نتایج این مطالعه نشان‌دهندۀ عملکرد برجسته مدل‌های XGBoost و LightGBM در پیش‌بینی رتبۀ کشوری دانش‌آموزان بود. مدل XGBoost به‌عنوان دقیق‌ترین گزینه شناخته شد؛ زیرا پیش‌بینی‌هایی ارائه داد که به مقادیر واقعی بسیار نزدیک بود و کمترین میزان خطا را داشت. این دقت بالا باعث شد که XGBoost به‌عنوان مدل برتر در این پژوهش شناخته شود. مدل LightGBM نیز با نتایج بسیار مشابه XGBoost، به‌عنوان یکی دیگر از گزینه‌های برجسته، برای پیش‌بینی رتبۀ کشوری انتخاب شد. این مدل به خاطر سرعت و دقت زیاد، مورد توجه قرار گرفت و به‌عنوان ابزاری مؤثر در این زمینه شناخته شد. مدل Random Forest نیز با دقتی بهتر نسبت به CatBoost عمل کرد؛ هرچند زمان بیشتری برای آموزش و پیش‌بینی نیاز داشت. در مقابل، مدل CatBoost به‌عنوان ضعیف‌ترین گزینه شناخته شد؛ زیرا در مقایسه با سایر مدل‌ها دقت کمتری داشت و مقادیر خطای بیشتری ارائه می‌کرد؛ هرچند سرعت پیش‌بینی آن بیشتر بود. به نظر می‌رسد که این مدل به بهبود نیاز دارد تا بتواند با دیگر مدل‌های موفق رقابت کند. نتیجه‌گیری: یافته‌ها نشان می‌دهد که مدل‌های XGBoost و LightGBM به‌عنوان دو ابزار مؤثر در یادگیری جمعی، عملکرد بسیار خوبی برای پیش‌بینی رتبۀ دانش‌آموزان در آزمون‌های سراسری دارند. این مدل‌ها با دقت بالا و عملکرد بهینه، می‌توانند به‌عنوان راهنماهایی ارزشمند در سیستم‌های آموزشی عمل کنند و به بهبود فرایندهای یادگیری کمک کنند. این مدل‌ها قادرند دانش‌آموزانی را که ممکن است در مسیر تحصیلی خود با چالش مواجه شوند، شناسایی کنند و به طراحی برنامه‌های یادگیری مؤثرتر یاری دهند. علاوه‌براین، نتایج این پژوهش می‌تواند به رهبران مدارس و سیاست‌گذاران برنامه‌های آموزشی کمک کند تا تصمیم‌های هوشمندانه‌تری در جهتِ ارتقای عدالت آموزشی اتخاذ کنند؛ به‌طوری که فرصت‌های یادگیری برابر، برای همۀ دانش‌آموزان فراهم شود. در آینده، استفاده از مدل‌های پیشرفته‌تر یادگیری عمیق و اضافه‌کردن داده‌های مرتبط، مانند عوامل اجتماعی، اقتصادی و نوع مدارس، می‌تواند به بهبود دقت پیش‌بینی‌ها منجر شود. همچنین، ترکیب مدل‌های مختلف یادگیری ماشین برای ایجاد مدل‌های ترکیبی می‌تواند به افزایش دقت و کاهش خطاهای پیش‌بینی کمک کند. به‌طور کلی، این پژوهش می‌تواند نقطۀ عطفی برای توسعۀ سیستم‌های پیش‌بینی و تصمیم‌گیری در حوزۀ آموزش در کشور شمرده شود و زمینه‌ساز بهبودهای چشمگیر در این زمینه باشد.
کلیدواژه‌های فارسی مقاله یادگیری جمعی،پیش‌بینی رتبۀ کشوری،کنکور سراسری،مدل‌های یادگیری ماشین،
عنوان انگلیسی Unleashing the Power of Ensemble Learning: Predicting National Ranks in Iran’s University Entrance Examination
چکیده انگلیسی مقاله Objective This study seeks to explore and compare ensemble learning models for more accurate predictions of students’ national ranks in Iran’s nationwide university entrance examination, commonly known as the Konkur. The primary aim is to identify optimal models capable of predicting students’ ranks with the highest precision by analyzing data from preparatory and simulated exams conducted before the Konkur. These identified models can then empower academic counselors to offer data-driven recommendations, assisting students in making informed decisions about their educational paths and academic planning.   Methods Initially, Octoparse software was utilized to collect data related to the preparatory tests conducted by the Kanoon Farhangi Amoozesh (Cultural Center of Education, also known as Ghalamchi) to facilitate a precise analysis of students' performance. The dataset contained key information such as the average test scores, students' national and regional ranks in the exams, as well as the academic disciplines and universities where the students were admitted. Additionally, four advanced ensemble learning models—XGBoost, LightGBM, CatBoost, and Random Forest—were selected for comparison and evaluation based on their performance in predicting students' national ranks. To assess the accuracy and efficiency of these models, various metrics were used, including Mean Squared Error (MSE), Root Mean Squared Error (RMSE), coefficient of determination (R²), and training and prediction times. Afterward, The collected data were split into training and testing sets to ensure optimal model training and evaluation. To achieve the best possible performance, the grid search method was applied, enabling precise tuning of the model parameters to obtain optimal results.   Results The study findings underscored the exceptional performance of the XGBoost and LightGBM models in predicting students' national ranks. XGBoost emerged as the most accurate model, delivering predictions that are closely aligned with the actual values and exhibiting the lowest error rates, positioning it as the top performer in this research. Similarly, LightGBM, with results closely mirroring those of XGBoost, was also recognized as a strong contender for predicting national ranks. Its blend of speed and precision made it a highly effective tool in this context. The Random Forest model also demonstrated superior accuracy compared to CatBoost, albeit requiring more time for training and prediction. In contrast, CatBoost was identified as the weakest option, displaying lower accuracy and higher error rates than the other models, despite its faster prediction times. This suggests that CatBoost may require further refinement to compete with the more successful models.   Conclusion The research findings highlight the effectiveness of XGBoost and LightGBM models in ensemble learning, showcasing their exceptional performance in predicting students' ranks in nationwide examinations. With their high accuracy and optimal performance, these models can serve as valuable tools within educational systems, contributing to the improvement of learning processes. They have the potential to identify students who may encounter challenges in their educational journeys and aid in the development of more effective learning programs. Furthermore, the outcomes of this study can assist school leaders and educational policymakers in making well-informed decisions to promote educational equity and ensure equal learning opportunities for all students. Looking ahead, leveraging more advanced deep learning models and integrating additional data, such as social and economic factors and school types, could lead to enhanced prediction accuracy. Additionally, the integration of diverse machine learning models to create hybrid systems may enhance precision and minimize prediction errors. Overall, this research marks a significant milestone in the advancement of predictive and decision-making systems within the education sector, laying the groundwork for substantial progress in this field.
کلیدواژه‌های انگلیسی مقاله یادگیری جمعی,پیش‌بینی رتبۀ کشوری,کنکور سراسری,مدل‌های یادگیری ماشین
نویسندگان مقاله احمد جعفرنژاد چقوشی |
استاد، گروه مدیریت صنعتی، دانشکده مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.

آرمان رضاسلطانی |
دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.

امیر محمد خانی |
دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران.

نشانی اینترنتی https://imj.ut.ac.ir/article_99001_c994e562ca151acf73ed61093b301a4a.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات