Document Type : scientific-research

Authors

• Seyedeh Mahboobeh Hosseyni ¹
• Marjan Kaedi ²
• Fakhroddin Noorbehbahani ¹

¹ Faculty of Computer Engineering, University of Isfahan, Isfahan, Iran

² Faculty of Computer Engineering, University of Isfahan, Iran

Abstract

Online learning programs have gained significant popularity in recent years. However, despite their widespread adoption, completion and success rates for online courses are notably lower than those for traditional in-person education. If students' final academic performance could be predicted early by analyzing their behavior within the virtual learning environment, timely alerts could be issued, and targeted interventions could be recommended to prevent underperformance and course abandonment. Previous studies have predicted academic performance using various features, such as demographic data, academic history, in-term exam results, and assignment assessments. However, many online learning platforms do not provide access to such data, rendering these methods ineffective. This study focuses on the early prediction of students' academic performance by extracting novel behavioral features based on their interactions with the online learning platform. To develop robust predictive models, we utilize an integrated approach combining multiple feature selection methods to extract the most informative interaction patterns, followed by application of advanced machine learning algorithms including ensemble learning techniques and artificial neural networks (ANNs). The evaluation results demonstrate that our proposed approach can predict students' final academic performance with an accuracy of 90.62%, using only data collected during the first third of the online course.

Keywords

• Early prediction
• student performance
• e-learning
• virtual learning environment
• interaction data
• machine learning

Main Subjects

• آموزش از دور

Article Title [Persian]

پیش‌بینی زودهنگام وضعیت تحصیلی دانشجویان بر اساس تعاملات آنها با سامانه آموزش مجازی

Authors [Persian]

• سیده محبوبه حسینی ¹
• مرجان کائدی ²
• سیدفخرالدین نوربهبهانی ¹

¹ دانشکده مهندسی کامپیوتر، دانشگاه اصفهان، اصفهان، ایران.

² 'دانشکده مهندسی کامپیوتر، دانشگاه اصفهان، ایران

Abstract [Persian]

برنامه‌های آموزشی آنلاین در سال‌های اخیر محبوبیت زیادی پیدا کرده‌اند. با این حال، علیرغم پذیرش گسترده آن‌ها، نرخ تکمیل و موفقیت در دوره‌های آنلاین به طور قابل توجهی پایین‌تر از آموزش‌های سنتی حضوری است. اگر بتوان عملکرد نهایی تحصیلی دانش‌آموزان را با تحلیل رفتار آن‌ها در محیط یادگیری مجازی پیش‌بینی کرد، می‌توان هشدارهای به‌موقع صادر کرد و مداخلات هدفمند برای جلوگیری از عملکرد ضعیف و رها کردن دوره‌ها پیشنهاد داد. مطالعات قبلی عملکرد تحصیلی را با استفاده از ویژگی‌های مختلفی مانند داده‌های جمعیتی، تاریخچه تحصیلی، نتایج امتحانات میان‌دوره‌ای و ارزیابی‌های تکالیف پیش‌بینی کرده‌اند. با این حال، بسیاری از پلتفرم‌های یادگیری آنلاین به چنین داده‌هایی دسترسی ندارند که این موضوع باعث می‌شود این روش‌ها بی‌اثر شوند. این پژوهش، بر پیش‌بینی زودهنگام عملکرد تحصیلی دانش‌آموزان با استخراج ویژگی‌های رفتاری جدید مبتنی بر تعاملات آن‌ها با پلتفرم یادگیری آنلاین تمرکز دارد. برای توسعه مدل‌های پیش‌بینی‌کننده، از یک رویکرد یکپارچه استفاده می‌شود که شامل ترکیب روش‌های مختلف انتخاب ویژگی برای استخراج الگوهای تعاملات کاربر است که حاوی بیشترین اطلاعات هستند. سپس از الگوریتم‌های پیشرفته یادگیری ماشین شامل روش‌های یادگیری جمعی و شبکه‌های عصبی مصنوعی (ANNs) استفاده می‌کنیم. نتایج ارزیابی نشان می‌دهد که این رویکرد پیشنهادی می‌تواند عملکرد نهایی تحصیلی دانش‌آموزان را تنها با استفاده از داده‌های جمع‌آوری‌شده در یک‌سوم اول دوره آنلاین با دقت 90.62٪ پیش‌بینی کند.

Keywords [Persian]

• پیش بینی زودهنگام
• عملکرد دانش آموزان
• آموزش الکترونیکی
• محیط آموزش مجازی
• داده های تعاملات
• یادگیری ماشین