پیش بینی عملکرد دانش آموزان مقطع متوسطه با تکنیک های رده بند داده کاوی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,274

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC01_484

تاریخ نمایه سازی: 9 فروردین 1395

چکیده مقاله:

ارزیابی و پیش بینی عملکرد دانش آموزان در مدارس مقطع متوسطه کمک می کند علاوه بر پیبردن به عوامل تاثیرگذار دانش آموزان در جهت موفقیت آموزشی آنها، در تصمیم گیری مدیرانآموزشی در راستای بهبود وضعیت سطح کیفی مدارس مقطع متوسطه نقش بسزایی داشته باشد. باتوجه به اینکه علم داده کاوی همواره در استخراج دانش از دادهها مفید بوده است می توان با تکیهبر این مهم راهکاری مناسب ارائه داد. هدف از این مقاله ارائه مدلهای برتر و کارآمد در راستایپیش بینی عملکرد دانش آموزان میباشد. مجموعه داده مورد بحث در این تحقیق مربوط بهاطلاعات 386 دانش آموز مقطع متوسطه در استان بوشهر می باشد. در مدلهای ارائه شده از برترینالگوریتم های رده بندی در داده کاوی آموزشی در راستای ارائه برترین مدل های پیش بینانه گامبرداشته شده است. ارزیابی و اعتبارسنجی انجام شده بر روی مدل ها اثبات می کند که نتایج بدستآمده دقیق و قابل اعتماد بوده اند. در این راستا عوامل فردی، محیطی و تحصیلی دانش آموزان موفقو ناموفق سال دوم و سوم رشته های مقطع متوسطه مورد بررسی قرار گرفته شد و براساس آنها مدل-هایی کارآمد بر مبنای روشهای درخت تصمیم نظیر درخت C4.5 و روش های ماشین بردارپشتیبان و رگرسیون لجستیک ارائه شده است. نتایج بدست آمده می تواند به عنوان روشی کارآمدبه مدیران سیستم آموزشی در جهت برنامه ریزی صحیح تحصیلی و بهینه کردن فرآیندهای آموزشیمدارس مقطع متوسطه کمک شایانی کند.

کلیدواژه ها:

نویسندگان

محمدرضا زاهدی فرد

دانشجوی کارشناسی ارشد نرم افزار، موسسه جهاد دانشگاهی خوزستان

ایمان عطارزاده

استادیار و عضو هیئت علمی گروه کامپیوتر، دانشگاه آزاد اسلامی واحد دزفول

هادی پازخ زاده

دانشجوی کارشناسی ارشد فناوری اطلاعات، دانشگاه آزاد اسلامی واحد بوشهر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • فلک مسیر، محمدحسن، 1389، بررسی روش‌های داده کاوی در سامانه ...
  • جهان بیگی، علی، داده کاوی با متدولوژی SEMMA و مقایسه ...
  • _ Internatiotal Conference om Information Technology, Computer & Communication 28 ...
  • _ Internatiotal Conference om Information Technology, Computer & Communication 28 ...
  • Romero, C. Ventura, S. (2007). Educational data mining: A survey ...
  • November 2015 2010 2014 2011 ...
  • Quadri, M. Kalyankar, D. N. (2010). Drop out feature of ...
  • Kotsiantis, S.B. Pierrakeas, C..J. and Pintelas, P.E. (2004). Predicting Students ...
  • Bhardwaj, B. K. Pal, S. (2012). Data Mining: A prediction ...
  • Vialardi, C. Chue, . pche, . P. Alvarado, G. Vinatea, ...
  • Torabi, R. Moradi, P. Khantaimoori, A. R. (2012). Predict student ...
  • Baker, R. S. Yacef, K. (2009). The state of educationl ...
  • Nandeshwar, A. Menzies, T. and Nelson, A. (2011). Learning patterns ...
  • Anupama Kumar, S. Vij ayalakshmi, M. N. (2012). Mining of ...
  • Chapman, P. Clinton, J. Kerber, R. Khabaza, T. Reinartz, T. ...
  • Thammasiri, D. Delen, D. Meesad, P. Kasap, N. (2014). A ...
  • Yadav, S. K. Pal, S. (2012). Data mining: A prediction ...
  • Livieris, I. E. Drakopoulou, K. Pintelas, P. (2012). Predicting students' ...
  • Zhang, Y. Oussena, S. Clark, T. Hyensook, K. (2010). Using ...
  • Kabakchieva, D. (2013). Predicting student performance by using data mining ...
  • Delen, D. (2010). "A comparative analysis of machine learming techniques ...
  • Sembiring, S. Zarlis, M. Hartama, D. Ramliana, S. Wani, E. ...
  • نمایش کامل مراجع