این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پزشکی قانونی، جلد ۳۱، شماره ۳، صفحات ۰-۰
عنوان فارسی یک مدل یادگیری ماشین برای بررسی علل موثر بر ترک تحصیل دانشجویان و پیش‌بینی عملکرد دانشجویان
چکیده فارسی مقاله
مقدمه: شناسایی دانشجویانی که در معرض خطر ترک تحصیل هستند برای ارائه پشتیبانی به موقع، بهبود نرخ ماندگاری و تضمین موفقیت تحصیلی بسیار مهم است. یادگیری ماشینی را می توان برای تحلیل الگوهای رفتار دانش آموزان به کار برد و دانشگاه‌ها را قادر می سازد تا ترک تحصیل را پیش بینی کنند و اقدامات پیشگیرانه ای برای مداخله موثر انجام دهند.
روش‌ بررسی: ترکیبی از الگوریتم بهینه‌سازی ازدحام ذرات و تقویت گرادیان شدید برای ایجاد یک مدل طبقه‌بندی کننده اراائه شد. همچنین از روش‌های تحلیل داده برای تحلیل و بررسی داده‌ها و بدست آوردن اطلاعات مفید استفاده شد.
یافته‌ها: مدل ارائه شده دقت ۹۸.۱۲ درصد نشان داد که دقت بالاتری نسبت به دیگر مدل‌ها دارد و همچنین نشان داده شد داده‌های آکادمیک متغیرهای موثرتری در انصراف دانشجویان از دانشگاه هستند. دانشجویانی که شهریه خود را به موقع پرداخت نکرده‌اند، به طور قابل توجهی بیشتر در معرض خطر ترک تحصیل (۸۷.۰۵ درصد) و کمتر در معرض فارغ‌التحصیلی (۴.۹۵ درصد) هستند، در مقایسه با دانشجویانی که شهریه خود را به موقع پرداخت می‌کنند، که نرخ ترک تحصیل کمتری (۲۵.۲۱ درصد) و نرخ فارغ‌التحصیلی بالاتری (۵۵.۱۳ درصد) دارند. همچنین، با افزایش سن، نرخ ترک تحصیل در هر دو جنس افزایش می‌یابد، اگرچه زنان در تمام گروه‌های سنی همواره نرخ ترک تحصیل کمتری نشان می‌دهند.
نتیجه‌گیری: با به‌کارگیری یادگیری ماشینی برای پیش‌بینی خطرات ترک تحصیل، مؤسسات می‌توانند منابع خود را به‌طور موثرتری برای حمایت از دانشجویان در به‌پایان رساندن تحصیلاتشان تخصیص دهند.
کلیدواژه‌های فارسی مقاله یادگیری ماشین، فراابتکاری، ترک‌تحصیل، دانشجو، تصمیم‌گیری
عنوان انگلیسی A Machine Learning Model for Investigating the Causes Influencing Student Dropout and Predicting Student Performance
چکیده انگلیسی مقاله
Introduction: Early identification of students at risk of dropping out is essential for providing timely support, improving retention rates, and promoting academic success. Machine learning offers a powerful approach to analyze patterns in student behavior, allowing universities to predict dropouts and implement preventive interventions.
Methods: A hybrid model combining Particle Swarm Optimization and Extreme Gradient Boosting algorithms was developed to classify at-risk students. Additional data analysis techniques were applied to examine the dataset and extract meaningful insights.
Results: The proposed model achieved an accuracy of 98.12%, outperforming alternative models. Academic variables were identified as the most influential factors in dropout decisions. Students who failed to pay tuition on time were at substantially higher risk of dropping out (87.05%) and had a lower probability of graduation (4.95%), compared to those who paid on time, who exhibited a dropout rate of 25.21% and a graduation rate of 55.13%. Dropout rates also increased with age for both genders, although women consistently showed lower dropout rates across all age groups.
Conclusion: Machine learning-based prediction of dropout risk enables institutions to target interventions more effectively, optimizing resource allocation and supporting students in completing their education
کلیدواژه‌های انگلیسی مقاله Machine learning, Metaheuristics, Student dropout, Decision-making
نویسندگان مقاله کیارش ظهوری | Kiarash Zohori
Department of Toxicology and Pharmacology, Faculty of Pharmacy, Ayatollah Amoli Branch, Islamic Azad University, Amol, Iran
گروه سم‌شناسی و فارماکولوژی، دانشکده داروسازی، واحد آیت‌اله آملی، دانشگاه آزاد اسلامی، آمل، ایران

مرجان فلاح | Marjan Fallah
Department of Toxicology and Pharmacology, Faculty of Pharmacy, Ayatollah Amoli Branch, Islamic Azad University, Amol, Iran
گروه سم‌شناسی و فارماکولوژی، دانشکده داروسازی، واحد آیت‌اله آملی، دانشگاه آزاد اسلامی، آمل، ایران

نشانی اینترنتی http://sjfm.ir/browse.php?a_code=A-10-2289-3&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 مدیریت سلامت
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات