طراحی سیستم پیشنهاد دهنده درسی مورد مطالعه پردیس فارابی دانشگاه تهران

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 667

فایل این مقاله در 6 صفحه با فرمت PDF و WORD 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:

FBFI01_041

تاریخ نمایه سازی: 9 مرداد 1395

چکیده مقاله:

دانشجویان درهرترم با فرایند انتخاب واحد، انتخاب دروس موردعلاقه ومتناسب بامهارت های خود و دروسی که اطلاعاتی از آن ها ندارند مواجه می شوند؛ کسب اطلاعات درموردهردرسفرایندی زمان بر و تصمیم گیری در مورد انتخاب دروس برای دانشجویان کم تجربه دشوار است. سیستم های پیشنهاد دهنده درسی به عنوان یک مشاور تحصیلی در کنار دانشجویان بوده تا با شناسایی علایق و سبک یادگیری دانشجویان و استخراج الگوهای انتخاب واحد آنها، دروس مناسب را به دانشجویان پیشنهاد می دهند. در این تحقیق به منظور طراحی یک سیستم پیشنهاد دهنده درسی از ابزارهایی مانند خوشه بندی برای شناسایی دانشجویان با علایق و سبک یادگیری مشابه استفاده نموده و پس از شناسایی دانشجویان مشابه، از اطلاعات مربوط به انتخاب واحد این دانشجویان برای پیشنهاد دروس مناسب به سایر دانشجویان با استفاده از قوانین انجمنی استفاده می نماییم. در این پژوهش اطلاعات دانشجویان کارشناسی پردیس فارابی دانشگاه تهران مورد مطالعه و تحلیل قرار گرفته است. با استفاده از اطلاعات تحصیلی و جمعیت شناختی، این دانشجویان به سه خوشه تقسیم شده اند و در نهایت دروس اختیاری که در آن نمره قبولی اخذ نموده اند با استفاده از قوانین انجمنی به سایر دانشجویان پیشنهاد شده است.

کلیدواژه ها:

نویسندگان

زهره شکراللهی

دانشجوی کارشناسی ارشد، دانشکده فنی، دانشگاه تهران

محمدباقر جعفری

استادیار، دانشکده مدیریت، دانشگاه تهران

شاهرخ اسدی

دانشجوی دکتری، دانشکده مهندسی صنایع، دانشگاه صنعتی امیرکبیر

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 :
  • C. C. Aggarwal and C. K. Reddy, _ clustering: algorithms ...
  • J. Han, M. Kamber, and J. Pei, Data mining: concepts ...
  • N. Manouselis, H. Drachsler, K. Verbert, and E. Duval, Recommender ...
  • A. Klasnj a-Milicevic, B. Vesin, M. Ivanovic, and Z. Budimac, ...
  • P. Resnick and H. R. Varian, t _ Recommender systems, ...
  • e commendation , _ Information Sciences, vol. 251, pp. 10-21, ...
  • J. Young, "The Netflix effect: When software suggests students' courses, ...
  • J. Lu, D. Wu, M. Mao, W. Wang, and G. ...
  • J. Ya-tong, F .Qiang, L. Fei, L. Hai-xia, and W ...
  • C.-K. Hsu, G.-J. Hwang, and C.-K. Chang, "A personalized re ...
  • G. Engin, B. Aksoyer, M. Avdagic, D. Bozanl, U. Hanay, ...
  • science, " in 2012 International Conference _ Information Technology Based ...
  • A. Klasnj a-Milicevic, B. Vesin, M. Ivanovic, and Z. Budimac, ...
  • S. B. Aher and L. Lobo, "Combination of machine learning ...
  • S. Aher and L. LMR J, "A comparative study of ...
  • Intelligent Information and Engineering Systems, 2007, pp. 42-49. ...
  • International Journal of Computer Applications, vol. 39, 2012. T. ...
  • topologically correct feature maps, " Biological cybernetics, vol. 43, pp. ...
  • P. D'Urso, L. De Giovamni, and R. Massari, "Self- organizing ...
  • A. A. Akinduko and E. M. Mirkes, "Initialization of Self- ...
  • R. Agrawal and R. Srikant, "Fast algorithms for mining association ...
  • CRoss Industry Standard Process for Data Mining _ Nsing value ...
  • نمایش کامل مراجع