Document Type : scientific-research

Authors

• Hamid zangooei ¹
• Omid fatemi ²

¹ M.Sc. Student of Computer Architecture, Faculty of Engineering, Faculty of Electrical and Computer Engineering, University of Tehran, Iran

² Associate Professor, Department of Electrical and Computer Engineering, Campus of Technical Schools (Faculty of Electrical and Computer Engineering, University of Tehran), Tehran, Iran.

Abstract

Online learning platforms have become commonplace in modern society today, but high dropout rates and decrement students’ performance still require more attention in such online learning environments. The purpose of this research is to accelerate the identification of students at risk of academic failure in order to take appropriate corrective action. Therefore, we have proposed model to achieve this goal and ultimately improve the performance of students and faculty. Then, for early prediction of students at risk of academic failure, the short-term memory neural network (LSTM) and the widely used support vector algorithm have been used to analyze students’ time based behaviors using data from the University of Tehran e-learning system. To demonstrate the optimal performance of the predictive algorithm, we compared the LSTM network with the support vector algorithm with different evaluation criteria. The results show that the use of LSTM network for early prediction of students at risk provides higher predictive accuracy compared to the support vector machine algorithm. In this research, our method in predicting students’ performance with LSTM network has achieved 94% accuracy and with support vector machine algorithm has achieved 88% accuracy. In addition, the Area Under the Curve (AUC) was 0.936 and 0.882, respectively, using the LSTM algorithm and the support vector machine. Therefore, according to the obtained results, it can be seen that our proposed algorithm has an important and effective contribution to improving the final performance of teachers and students during the course.

Keywords

• Learning Analytics
• Long Short Term Memory Network
• Support Vector Machine
• Predicting Students at Risk of Academic Failure

Article Title [Persian]

پیش بینی دانش آموزان در معرض خطر افت تحصیلی با استفاده از تجزیه و تحلیل یادگیری در سیستم مدیریت یادگیری

Authors [Persian]

• حمید زنگوئی ¹
• سید امید فاطمی ²

¹ انشجوی کارشناسی ارشد، مهندسی معماری کامپیوتر، پردیس دانشکدگان فنی(دانشکده مهندسی برق و کامپیوتر دانشگاه تهران)، تهران، ایران

² دانشیار گروه مهندسی برق و )،کامپیوتر ، پردیس دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، ایران

Abstract [Persian]

پلتفرم‌های یادگیری آنلاین امروزه در جامعه مدرن رایج شده‌اند، اما نرخ بالای ترک تحصیل و کاهش عملکرد دانش‌آموزان همچنان نیازمند توجه بیشتری در چنین محیط‌های یادگیری آنلاین است. هدف از این تحقیق تسریع در شناسایی دانش آموزان در معرض خطر افت تحصیلی به منظور انجام اقدامات اصلاحی مناسب می باشد. از این رو مدلی را برای دستیابی به این هدف و در نهایت بهبود عملکرد دانشجویان و اساتید ارائه کرده ایم. سپس برای پیش‌بینی زودهنگام دانش‌آموزان در معرض خطر افت تحصیلی، از شبکه عصبی حافظه کوتاه‌مدت (LSTM) و الگوریتم بردار پشتیبانی پرکاربرد برای تحلیل رفتارهای مبتنی بر زمان دانشجویان با استفاده از داده‌های آموزش الکترونیکی دانشگاه تهران استفاده شده است. سیستم. برای نشان دادن عملکرد بهینه الگوریتم پیش‌بینی، ما شبکه LSTM را با الگوریتم بردار پشتیبان با معیارهای ارزیابی مختلف مقایسه کردیم. نتایج نشان می‌دهد که استفاده از شبکه LSTM برای پیش‌بینی اولیه دانش‌آموزان در معرض خطر، دقت پیش‌بینی بالاتری را در مقایسه با الگوریتم ماشین بردار پشتیبان ارائه می‌کند. در این تحقیق روش ما در پیش‌بینی عملکرد دانش‌آموزان با شبکه LSTM به دقت 94 درصد و با الگوریتم ماشین بردار پشتیبان به دقت 88 درصد دست یافته است. علاوه بر این، مساحت زیر منحنی (AUC) با استفاده از الگوریتم LSTM و ماشین بردار پشتیبان به ترتیب 0.936 و 0.882 بود. بنابراین با توجه به نتایج بدست آمده می توان دریافت که الگوریتم پیشنهادی ما سهم مهم و موثری در بهبود عملکرد نهایی معلمان و دانش آموزان در طول دوره دارد.

Keywords [Persian]

• تجزیه و تحلیل یادگیری
• شبکه حافظه کوتاه مدت بلند مدت
• ماشین بردار پشتیبانی
• پیش بینی دانش آموزان در معرض خطر شکست تحصیلی