گروه صنعتی تولید

استفاده از داده‌کاوی برای پیش‌بینی عملکرد

چکیده

در دهه‌های اخیر داده‌کاوی به یکی از ابزارهای مؤثر برای تحلیل داده و سیستم مدیریت دانش تبدیل شده است به طوری که بسیاری از حوزه‌ها روش داده‌کاوی را برای حل مسائلشان اتخاذ کرده‌اند. استفاده از داده‌کاوی در آموزش جهت ارتقاء سیستم آموزشی هنوز نسبتاً جدید است. این مقاله بر پیش‌بینی عملکرد استاد و بررسی عوامل مؤثر بر موفقیت دانشجویان جهت بهبود کیفیت سیستم آموزشی تمرکز دارد. مجموعه داده‌های ارزیابی دانشجویانی از ترکیه در نظر گرفته شده و کلاسبندهای داده‌ی مختلفی مانند درخت تصمیم J48، پرسپترون چند لایه، نیو بیز و بهینه‌سازی متوالی کمینه بر روی این داده‌ها اجرا شدند. مقایسه‌ای از چهار کلاسبند برای پیش‌بینی دقت و یافتن بهترین الگوریتم کلاسبند در میان آن‌ها انجام شده است. نتایج این مطالعه بسیار امیدبخش بوده و دیدگاه دیگری برای ارزیابی عملکرد دانشجویان ارائه می‌نماید. آن همچنین اهمیت به‌کارگیری ابزارهای داده‌کاوی در زمینه‌ی آموزش را برجسته می‌نماید. نتایج نشان می‌دهد که استفاده از روش ارزیابی مشخصه بر روی مجموعه داده، دقت عملکرد پیش‌بینی را افزایش می‌دهد.

کلمات کلیدی: داده‌کاوی، درخت تصمیم، پرسپترون چند لایه، نیو بیز، بهینه‌سازی متوالی کمینه

1- مقدمه

امروزه داده‌کاوی (DM) توجه بسیاری را در حوزه‌ی تحلیل به خود جلب کرده و آن به ابزار جدید شناخت-پذیری برای تحلیل داده تبدیل شده و می‌توان آن را برای استخراج دانش معنی‌دار و ارزشمند به کار برد. داده‌کاوی روش‌های امیدوارکننده‌ای برای کشف الگوهای پنهان در حجم زیادی از داده‌ها ارائه می‌نماید. این الگوهای پنهان می‌توانند به طور بالقوه‌ای برای پیش‌بینی رفتار آینده استفاده شوند [1]. بر این اساس، داده‌کاوی توسط بسیاری از محققان برای حل مسائل واقعی در حوزه‌های مختلف از قبیل بازاریابی، بازار سهام، ارتباطات راه دور، صنایع، مراقبت‌های بهداشتی، پزشکی و ارتباط با مشتری اتخاذ شده است. اخیراً تعداد معقولی از تحقیقات برای اعمال تکنیک‌های داده‌کاوی در حوزه‌ی آموزش به منظور دسته‌بندی و پیش‌بینی عملکرد دانشجویان در مؤسسات آموزشی متعدد انجام شده‌اند. به‌کارگیری تکنیک‌های داده‌کاوی در آموزش به دلیل اینکه فرصت‌های فوق‌العاده‌ای در این زمینه دارد امیدبخش است.

علاوه بر این، سیستم‌های آموزشی خواستار روش‌های جدیدی که کیفیت، کارایی و موفقیت را بهبود می‌دهند هستند [2]. عمدتاً داده‌کاوی در آموزش برای بررسی تأثیر استراتژی‌های آموزشی بر روی دانشجویان و اینکه چگونه دانشجویان درس را درک می‌کنند استفاده می‌شود [3].

عملکرد آکادمیک دانشجویان مبتنی بر عوامل مختلفی است. مهم‌ترین عوامل مشخصه‌هایی شامل رکوردهای دانشگاهی قبلی، وضعیت اقتصادی، سابقه‌ی خانوادگی، داده‌های جمعیت شناختی و روش‌های پیش‌بینی هستند. بنابراین بسیاری از تحقیقات در این زمینه مربوط به مشخصه‌های خاصی از داده‌های دانشجویان هستند. این مقاله در تلاش است اطلاعات مربوط به ارزیابی دانشجویان را برای اساتید جهت بهبود کیفیت آموزش و نشان دادن عواملی که بر عملکرد دانشجویان مؤثر است بررسی نماید. پیش‌بینی عملکرد دانشجویان به طور عمده به کیفیت روند تدریس مربوط است [4]. در این مقاله برخی از الگوریتم‌های کلاسبندی داده‌ها به مجموعه داده‌های ارزیابی دانشجویان ترکیه برای پیش‌بینی موفقیت دانشجویان، بررسی عملکرد استاد و پیدا کردن بهترین الگوریتم کلاسبندی با دقت بالا اعمال شده‌اند.

2- پس‌زمینه

در سال‌های گذشته، مطالعات متعددی به بررسی داده‌کاوی برای اهداف آموزشی پرداخته‌اند. مینایی-بیدگلی اکچویتور یکی از اولین نویسندگانی هستند که از الگوریتم ژنتیک برای کلاسبندی عملکرد دانشجویان به منظور پیش‌بینی نمرات نهایی آن‌ها استفاده کردند [5]. داده‌کاوی در آموزش از سال 1995 تا 2005 در [3] که مقاله‌ی تحقیقاتی مهمی در این زمینه میباشد بررسی شده است. موفقیت تحصیلی دانشجویان (طبقه بندی شده به کلاس‌های پایین، متوسط و با ریسک بالا) با استفاده از روش‌های داده‌کاوی مختلف مانند درخت تصمیم (DT)، شبکه عصبی (NN) در [6] پیش‌بینی شده است. پژوهش انجام شده در [7] در تلاش برای بررسی دلیل شکست در دو کلاس هسته (ریاضی و پرتقالی) از دانشآموزان دو دبیرستان از منطقه‌ی آلنتجو پرتقال است. نتیجه نشان داد که هر دو الگوریتم NN و DT دقت پیش‌بینی 72% برای یک مجموعه داده‌ی چهار کلاسه دارند.

کارآمدترین روش‌های یادگیری ماشین در پیش‌بینی نمره نهایی دانشجویان کارشناسی ارشد دانشگاه انفورماتیک ایونی در [8] مورد بررسی قرار گرفت. مشخص شد که نیو بیز (NB) و الگوریتم K نزدیک‌ترین همسایه هنگامی که تعداد نمونه‌های مورد بررسی کم باشند عملکرد نمرات نهایی دانشجویان را به دقت پیش‌بینی می‌کنند. در تحقیق انجام شده در [9] تلاش شده است که تکنیک‌های داده‌کاوی با استفاده از میکروسافت و وکا بر روی مجموعه داده‌های کوچک دانشجویان اعمال شود. نتایج نشان دادند که پیش‌بینی به طور قابل ملاحظه‌ای توسط هر دو تکنولوژی موفقیت‌آمیز است. در [10] روش جدیدی برای پیش‌بینی عملکرد دانشجویان با استفاده از تفسیر داده‌کاوی معرفی شده که از تخصیص نهفته‌ی دیریکله (LDA) و ماشین بردار پشتیبان (SVM) استفاده می‌کند. نتایج بسیار امیدوارکننده بودند.