مقایسه تحلیلی عملکرد الگوریتم های داده کاوی در پیش بینی پیشرفت تحصیلی دانشجویان

پیش بینی عملکرد دانشجویان در موضوعات مربوط به آموزش عالی با استفاده از داده کاوی و یادگیری ماشین و ارتباط آن با داده های آموزشی بسیار مهم است. پیش بینی عملکرد دانشجویان، در انتخاب رشته ها و طرح ریزی برنامه های مطالعاتی مناسب به دانشجویان کمک می کند. علاوه بر این، به معلمان و مدیران کمک می کند تا عملکرد دانشجویان را تحت نظر داشته باشند تا از آن ها حمایت کنند و برنامه های آموزشی را برای کسب بهترین نتایج تنظیم کنند. یکی از مزایای پیش بینی عملکرد دانشجویان، کاهش هشدارهای رسمی و همچنین اخراج دانشجویان به دلیل عملکرد نامناسب تحصیلی آن هاست. همچنین این پیش بینی به دانشجویان در انتخاب رشته ها و برنامه های مطالعاتی متناسب با توانایی هایشان نیز کمک می کند. این مقاله عملکرد الگوریتم های یادگیری ماشین را برای پیش بینی نمرات امتحانات دانشجویان مقطع کارشناسی، با در نظر گرفتن نمرات امتحانات دروس پیش نیاز به عنوان داده های موجود، بررسی می کند. در این مطالعه داده های دانشجویان کارشناسی یکی از رشته های فنی در دانشگاه شهرکرد به عنوان مبنای مقایسه سه الگوریتم داده کاوی درخت تصمیم، ماشین بردار پشتیبان و K نزدیکترین همسایه قرار گرفت. نتایج این تصمیم نشان میدهد که علیرغم دقت مناسب هر سه الگوریتم در پیش بینی پیشرفت تحصیلی این دانشجویان، الگوریتم بردار ماشین پشتیبان عملکرد بهتری از خود نشان داده است.

کلیدواژه ها:

داده کاوی ، یادگیری ماشین ، داده کاوی آموزشی ، پیش بینی عملکرد تحصیلی.