[صفحه اصلی ]   [Archive] [ English ]  
:: درباره نشريه :: صفحه اصلي :: آخرين شماره :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
نمایه ها::
برای نویسندگان::
هزینه چاپ::
برای داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
سیاست های نشریه ::
بیانیه اخلاقی::
ثبت شکایت::
::
Citation Indices from GS

Citation Indices from GS

AllSince 2019
Citations62733583
h-index2719
i10-index18478
..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
ثبت شده در

AWT IMAGE

AWT IMAGE

..
:: دوره 28، شماره 1 - ( 1-1399 ) ::
جلد 28 شماره 1 صفحات 46-36 برگشت به فهرست نسخه ها
کاربست فنون داده‌ کاوی در تبیین صحت مدل ‌های پیش بینی افت تحصیلی دانشجویان
آزاده فدوی رودسری1 ، کیوان صالحی* 2، ابراهیم خدایی1 ، علی مقدم زاده1 ، محمد جوادی پور1
1- گروه روش‌ ها و برنامه ‌های آموزشی و درسی، دانشکده علوم ‌تربیتی و روان شناسی، دانشگاه‌ تهران، تهران، ایران
2- گروه روش‌ ها و برنامه ‌های آموزشی و درسی، دانشکده علوم ‌تربیتی و روان شناسی، دانشگاه‌ تهران، تهران، ایران ، keyvansalehi@ut.ac.ir
چکیده:   (2859 مشاهده)
مقدمه: افت تحصیلی دانشجویان یکی از آفت‌ های سیستم آموزش عالی است و وجود سیستمی برای پیش ‌بینی و در نتیجه پیشگیری از وقوع آن، می ‌تواند نقش تعیین کننده‌ ای در ارتقای کیفیت آموزش باشد. استفاده از داده‌ کاوی آموزشی، از موثرترین راهبردهای پایش و بهبود کیفیت آموزش است. این مطالعه با هدف مقایسه فنون مختلف داده‌ کاوی و مشخص ساختن بهترین مدل پیش‌ بینی انجام شده است.
مواد و‌ روش‌ ها: جامعه پژوهش، کلیه دانشجویان دوره کارشناسی رشته های علوم آزمایشگاهی، مدیریت اطلاعات سلامت و تکنولوژی علوم پرتوی دانشگاه علوم پزشکی و خدمات بهداشتی درمانی تهران در سال تحصیلی 98-1397 بودند و نمونه ‌ای به حجم 500 نفر انتخاب شد. بعد از اجرا و کنار گذاشتن پرسش نامه ‌های مخدوش، 153 پرسش نامه از رشته علوم آزمایشگاهی، 85 پرسش نامه مدیریت اطلاعات سلامت، و 73 پرسش نامه رشته تکنولوژی علوم پرتوی مورد تحلیل قرار گرفت. ابزار جمع‌ آوری داده ‌ها، پرسش نامه سنجش افت‌ تحصیلی دانشجویان با ضریب پایایی 971/0 بود که روایی آن توسط متخصصان تایید شد. داده ‌های جمع ‌آوری شده از دانشجویان با الگوریتم ‌های رگرسیون لجستیک، درخت تصمیم، شبکه عصبی، شبکه بیزین و ماشین بردار پشتیبان و با استفاده از نرم افزار SPPSS vol.16، SMART_PLS-3 و SPPSS_MODELLER-18  کلمنتاین تحلیل ‌شد.
یافته ‌های پژوهش:‌ یافته‌ ها نشان ‌داد، میزان افت تحصیلی در رشته‌ های مختلف در سطح معناداری 05/0 متفاوت است. در رشته علوم آزمایشگاهی، میزان صحت مدل پیش بین داده ‌ها در الگوریتم‌ های متفاوت به ترتیب بهترین مدل پیش‌بینی عبارت است از: الگوریتم‌ های درخت ‌تصمیم و شبکه ‌بیز، ماشین ‌بردار‌ پشتیبان، شبکه‌ عصبی و رگرسیون‌ لجستیک. در رشته مدیریت اطلاعات سلامت و تکنولوژی علوم پرتوی میزان صحت مدل پیش بین داده ‌ها در الگوریتم‌ های متفاوت به ترتیب بهترین مدل پیش ‌بینی عبارت است از: الگوریتم‌ شبکه ‌بیز، ماشین ‌بردار ‌پشتیبان، شبکه‌ عصبی و رگرسیون ‌لجستیک. الگوریتم درخت تصمیم جوابی نداشت. هم چنین آزمون خی ‌دو نشان داد تفاوت موجود بین الگوریتم‌ های به دست آمده از لحاظ آماری در رشته علوم آزمایشگاهی در سطح 05/0 معنادار نیست، در رشته مدیریت اطلاعات و در رشته تکنولوژی علوم پرتوی در سطح 01/0 معنادار است.
بحث‌ و نتیجه ‌گیری: نتایج بیان‌ کننده این‌است که در داده‌ های واقعی مدل رگرسیون‌لجستیک توان پیش‌ بین کمتری نسبت‌ به مدل‌ های شبکه ‌ای داراست و در هر مجموعه از داده‌ ها، الگوریتم پیش ‌بین مناسب داده را باید کاوش‌کرد. الگوریتم های پیش ‌بین، به‌ خوبی توان پیش ‌بینی افت تحصیلی را در هر سه رشته‌ مورد بررسی در دانشکده پیراپزشکی را داراست و می توان از آن، در امر آموزش دانشجویان پزشکی و پیراپزشکی به منظور شناسایی دانشجویان در معرض خطر افت ‌تحصیلی جهت انجام اقدامات مربوط به پیشگیری، استفاده کرد.
واژه‌های کلیدی: عملکرد تحصیلی، افت تحصیلی، داده‌ کاوی، داده ‌کاوی آموزشی
متن کامل [PDF 715 kb]   (704 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: آمار
دریافت: 1398/6/5 | پذیرش: 1398/9/17 | انتشار: 1399/1/10
فهرست منابع
1. Vanklaveren C, Kooiman K, Cornelisz, I, Meeter M. [The higher education enrollment decision: feedback on expected study success and updating behavior]. J Res Edu Eff 2019; 12: 1-23. doi. 10.1080/19345747.2018.1496501
2. Vahabi A, Khatrei A, Vahabi B, Mirzaee M, Ahmadian M. [The perspective of public health students of Kurdistan University of medical sciences regarding field of study and future career and its related factors in 2014]. J Nurs Mid Pramed 2016; 1: 33-45. (Persian) doi. 10.29252/sjnmp.1.3.5
3. Emamghorashi F, Heydari ST, Najafipour S.[ Evaluation of effecting factors on educational status of medical students in Jahrom Medical University during 1994- 2003]. JBUMS 2010; 12: 40-45. (Persian)
4. Atashnafas M, Atashnafas E. [GIS and Irans holistic scientific map on health domain]. HBIJ 2011; 8: 305-313. (Persian)
5. Ehsanpour S. [Achieving minimum learning requirements from the viewpoints of midwifery students in Isfahan school of nursing and midwifery]. Iranian J Med Edu2006; 6:17-25. (Persian)
6. Banik P, Kumar B. [Impact of information literacy skill on students academic performance in Bangladesh]. Int J European Stud 2019; 3: 27-33. doi. 10.11648/j.ijes.20190301.15
7. Widyastuti T, Kurniawan A, Chandra NP. [Coping strategies on students after experiencing academic failure an indigenous study in javanese context]. Work Pap Ser 2017; 3:22-6.
8. Motlagh M, Elhampour H, Shakurnia A. [Factors affecting students' academic failure in Ahvaz Jundishapur University of medical sciences in 2005]. Iran J Med Edu 2008; 8: 91-9.
9. Aremu A, Sokan B. [A multi causal evaluation of academic performance of Nigerian learners issues and implications for national development]. Dep Guid Coun Uni Ibadan 2003;2:124-9.
10. Shams B, Farshidfar M, Hassanzadeh A. [Effect of counseling on the achievement of university students with dropout]. Iranian J Med Edu 2000; 1: 36-41.
11. Jabraili M, Mousavivaezi SJ, Mikaeli P, Saadatyanov R, Aqlmad S. [Evaluating the influencing factors of educational underachievement in gifted and talented students of Urmia University of medical sciences]. Horiz Med Edu Dev 2011; 4: 21-5.
12. Moniri R, Ghalebtarash H, Mussavi G. [The reasons of educational failure among paramedical students in Kashan University of Medical Sciences]. Iranian J Med Edu 2006; 1: 13540. (Persian)
13. Lancia L, Petrucci C, Giorgi F, Dante A, Cifone MG. [Academic success or failure in nursing students, results of a retrospective observational study]. Nurs Edu Today 2013; 33: 1501-5. doi:10.1016/j.nedt.2013.05.001
14. Rafoth MA. Academic failure prevention of encyclopedia of applied psychology. 1th ed. Spielberger CD Acad Publication. 2004; P. 1-7
15. Ashraf A, Anwer S, Khan MK. [A comparative study of predicting student performance by use of data mining techniques]. ASRJETS 2018; 44: 122-36.
16. Baker RSJD. [Data mining for education]. Int Enc Edu 2010; 7: 112-18. doi.org/10.1016/B978-0-08-044894-7.01318-X
17. Baker RS, Yacef K. [The state of educational data mining in 2009: A review and future visions]. J Edu Data Min 2009; 1: 3-17. doi.org/10.5281/zenodo.3554657
18. Delavari N. Beikzadeh MR. [A new analysis model for data mining processes in higher educational systems]. Int Sym Inf Com Tech Malaysia 2004;2:23-8.
19. Kabakchieva D. [Predicting student performance by using data mining methods for classification]. Cyb Inf Tech 2013; 13: 61-72. doi. 10.2478/cait-2013-0006
20. Luan J. Data Mining and knowledge management in higher education potential applications. Pres AIR Canada2002; 4:218-23.doi.org/10.1002/ir.35
21. Antonogeorgos G, Panagiotakos DB, Priftis KN, Tzonou A. [Logistic regression and linear discriminant analyses in evaluating factors associated with asthma prevalence among 10- to 12-years-old children: divergence and similarity of the two statistical methods]. Int J Pediatr2009; 3:952042. doi. 10.1155/2009/952042
22. Larose DT. Discovering knowledge in data an introduction to data mining. John Wiley Son Inc Publication 2005;P.142-7. doi. 10.1002/0471687545
23. Collins GS, Mallett S, Omar O. [Developing risk prediction models for type 2 diabetes a systematic review of methodology and reporting]. BMC Med2011; 5:146-59. doi.org/10.1186/1741-7015-9-103
24. Millan E, Loboda T, Perez JL. [Bayesian networks for student model engineering]. Comp Edu 2010; 55:1663-83. doi. 10.1016/j.compedu.2010.07.010
25. Hamedi A, Dirin A. [A bayesian approach in students’ performance analysis]. 10th Int Con Edu New Learn Technol 2018; Spain. doi. 10.21125/edulearn.2018.2498
26. Bellotti T. Crook J. [Support vector machines for credit scoring and discovery of significant features]. Exp Sys Appl 2009; 36: 3302-30. doi. 10.1016/j.eswa.2008.01.005
27. Willcockson IU, Johnson CW, Hersh W, Bernstam EV. Predictors of student success in graduate biomedical informatics training introductory course and program success. J Am Med Inf Ass 2009;16: 837-46. doi. 10.1197/jamia.M2895
28. Shannaq B, Rafael Y, Alexandro V.[Student relationship in higher education using data mining techniques]. Glob J Comp Sci Technol2010; 10: 54-9.
29. Eskandari M, rostami A, Hojati A, Kolifarhood G. [Trends of academic failure and its demographic determinants among medical students in Zanjan University of medical sciences]. Iranian J Med Edu 2014; 14:174-83.
30. Asif R, Merceron A, Ali S, Haider N. [Analyzing undergraduate student performance using educational data mining]. Comp Edu 2017; 113: 177-94. doi.org/10.1016/j.compedu.2017.05.007
31. Motlagh, M., Elhampour, H. Shakurnia A. [Factors affecting student academic failure in Ahvaz Jundishapur University of medical sciences in 2005]. Iran J Med Edu 2008; 8: 91-9.
32. Fadavi roodsari A, Salehi K, Khodaii E, Mogadamzadeh A, Javadipoor M. [Factors associated with bachelor student academic failure in University of Tehran]. Iran J Med Edu2016;2:72-7.
33. Tagharrobi Z, Fakharian E, Mirhoseini F, Rasooli Nejad SA, Akbari H, Ameli H. [Survey of educational drop-out indexes and realate factor in alumni of paramedical faculty of Kashan University of Medical Sciences]. J Babol Uni Med Sci 2010; 12 :76-89.
34. Edalatkhah H, Jahangiri S, Khanbabazadeh M, Amani F, Hashimilir M. [The educational situation of graduates in Ardebil University of Medical Sciences]. IJME 2005; 5: 193-5.
35. Chaware A. [Educational data mining an emerging trends in education]. Int J Adv Res Comp Sci 2011; 2: 117-22.
36. Sudhakar K, Manimekalai DM. [Study of heart disease prediction using data mining]. J Adv Res Comp Sci Soft Eng 2014; 4: 1157-60.
37.  
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Fadavi A, Salehi K, Khodaie E, Moghadamzadeh A, Javadipour M. Application of Data Mining Techniques in Determining the Accuracy of the Models Predicting the Student Academic failure. J. Ilam Uni. Med. Sci. 2020; 28 (1) :36-46
URL: http://sjimu.medilam.ac.ir/article-1-5954-fa.html

فدوی رودسری آزاده، صالحی کیوان، خدایی ابراهیم، مقدم زاده علی، جوادی پور محمد. کاربست فنون داده‌ کاوی در تبیین صحت مدل ‌های پیش بینی افت تحصیلی دانشجویان. مجله دانشگاه علوم پزشکی ایلام. 1399; 28 (1) :36-46

URL: http://sjimu.medilam.ac.ir/article-1-5954-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 28، شماره 1 - ( 1-1399 ) برگشت به فهرست نسخه ها
مجله دانشگاه علوم پزشکی ایلام Journal of Ilam University of Medical Sciences
Persian site map - English site map - Created in 0.16 seconds with 41 queries by YEKTAWEB 4643