روش های داده کاوی برای سیستم مدیریت سطح علمی دانشجویان و موسسات آموزش عالی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 642

فایل این مقاله در 9 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:

TDCONF01_072

تاریخ نمایه سازی: 19 تیر 1394

چکیده مقاله:

موسسات آموزش عالی اغلب کنجکاوند که بدانند آیا دانشجویان طی دوران تحصیلیشان به موفقیت دست می یابند یا نه ، قبل یا حین کلاس های دانشجویان ، موسسات سعی می کنند که درصد موفقیت آنها را تخمین بزنند، اما آیا تخمین زدن میزان موفقییت دانش جویانی که در این کلاس ها شرکت کرده اند امکان پذیر است ؟ آیا ویژگی خاصی از دانشجویان وجود دارد که بتواند با میزان موفقیت آنها در ارتباط باشد؟ آیا اطلاعات مرتبطی از دانش جویان در اختیار موسسات آموزش عالی است که بتوانند بر اساس آنها میزان موفقیت دانشجویان را پیش بینی کنند، پاسخ به پرسش های فوق به طور کلی می تواند با استفاده از ابزار های داده کاوی بدست آید . متاسفانه الگوریتم داده کاوی بر روی مجموعه داده های در مقیاس بزرگ کارایی بهتری دارد، در حالی که داده ها آموزشی که در اختیار موسسات آموزش عالی می باشد ، محدود است . در ذیل مجمو عه داده های با مقیاس کوچک قرار می گیرد، بنابراین، تحقیق بر داده کاوی با مجموعه داده های در مقیاس کوچک تمرکز دارد و هدف آن پاسخ به پرسش های پژوهشی فوق با مقایسه ی دو داده کاوی با ابزار های متفاوت است . نتایج این تحقیق بسیار امیدوار کننده است و موسسات آموزش عالی را تشویق میکند که از ابزاره ای داده کاوی به عنوان بخش مهمی از سیستم مدیریت سطح علمی آموزشی استفاده کنند.

کلیدواژه ها:

داده کاوی ، داده کاوی آموزشی ، داده کاوی بر روی مجموعه داده های در مقیاس کوچک ، سیستم مدیریت سطح علمی دانشجویان

نویسندگان

محمدرضا افراش

کارشناس ارشد کامپیوتر- نرم افزار

محمد خدامرادی

عضو هیات علمی دانشگاه آزاد اسلامی اهواز ،استاد دانشگاه شهید چمران و دانشگاهای خوزستان

مهرناز فروزان مفرد

کارشناس ارشد کامپیوتر – نرم افزار

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 :
  • Andonie, R. (2010). Extreme data mining: Inference from small datasets. ...
  • Baker, R. S. J. D., & Yacef, K. (2009). The ...
  • Berry, M., & Linoff, G. (2000). Mastering data mining. The ...
  • Jashapara, A. (2011). Knowledge management, an integrated approach (2nd ed.).Prentice ...
  • Natek, S., & Lesjak, D. (2013). Improving knowledge management by ...
  • Nonaka, I., Toyama, R., _ Hirata, T. (2008). Managing flow, ...
  • Osei-Bryson, K.-M. (2010). Towards supporting expert evaluation of clustering results ...
  • spending in (2008-) economic crisis. Industrial Management and Data Systems, ...
  • Sinha, A. P., & Zhao, H. (2008). Incorporating domain knowledge ...
  • Tso, G. K. F., & Yau, K. K. W. (2007). ...
  • Wan, S., & Lei, T. C. (2009). A k n ...
  • the debris-flow problems at Chen-Yu.-Lan River, Taiwan. Knowledge- BasedSystem _ ...
  • Yuan, J. L, & Fine, T. (1998). Neu ral-network design ...
  • Zhuang, Z. Y., Churilov, L, Burstein, F., & Sikaris, K. ...
  • نمایش کامل مراجع