نوع مقاله : علمی-پژوهشی
نویسندگان
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
چکیده
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.
کلیدواژه‌ها
[1] Wasif, Muhammad, et al. (2019). Understanding student learning behavior and predicting
their performance. Cognitive Computing in Technology-Enhanced Learning. IGI Global,
1-28.
[2] Costa, Evandro B., et al.( 2017). Evaluating the effectiveness of educational data mining
techniques for early prediction of students’ academic failure in introductory programming
courses. Computers in Human Behavior 73, 247-256.
[3] Yi, John C., et al. (2018). Predictive analytics approach to improve and sustain college
student’s non-cognitive skills and their educational outcome. Sustainability 10.11, 4012.
[4] Wilson, Joshua, et al. (2016). Comparing the accuracy of different scoring methods for
identifying sixth graders at risk of failing a state writing assessment. Assessing Writing
27, 11-23.
[5] Marbouti, Farshid, Heidi A. Diefes-Dux, and Krishna Madhavan. (2016). Models for early
prediction of at-risk students in a course using standards-based grading. Computers &
Education 103,1-15.
[6] Aljohani, Naif Radi, Ayman Fayoumi, and Saeed-Ul Hassan. (2019). Predicting at-risk
students using clickstream data in the virtual learning environment. Sustainability 11.24,
7238.
[7] Osmanbegovic, E.; Suljic, M. (2012). Data mining approach for predicting student
performance. Econ. Rev. J. Econ. Bus, 10, 3–12.
[8] Baradwaj, B.K.; Pal, S. (2012). Mining educational data to analyze students’ performance.
arXiv:1201.3417.
[9] Kovacic, Z. (2010). Early Prediction of Student Success: Mining Students Enrolment Data.
In Proceedings of the Informing Science and Information Technology Education Joint
Conference, Cassino, Italy, 19–24 June.
[10] Watson, C.; Li, F.W.; Godwin, J.L. (2013). Predicting performance in an introductory
programming course by logging and analyzing student programming behavior. In
Proceedings of the IEEE 13th International Conference on Advanced Learning
Technologies, Beijing, China, 15–18 July; pp. 319–323.
44 Iranian Distance Education Journal, Vol. 3, No. 2, (New Series) Summer-Autumn 2021
[11] D. P. Kingma and J. L. Ba,( 2014). Adam: A Method for Stochastic Optimization. 3rd Int.
Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., Dec.
[12] S. Shankar and T. Purusothaman,( 2009). Utility Sentient Frequent Itemset Mining and
Association Rule Mining: A Literature Survey and Comparative Study, Int. J. Soft Comput.
Appl., vol. 4, pp. 81–95.
[13] “Deep Learning - Ian Goodfellow, Yoshua Bengio, Aaron Courville - Google Books.”
[Online].
[14] A. J. Bowers and X. Zhou, ( 2019). Receiver Operating Characteristic (ROC) Area Under
the Curve (AUC): A Diagnostic Measure for Evaluating the Accuracy of Predictors of
Education Outcomes, https://doi.org/10.1080/10824669.2018.1523734, vol. 24, no. 1, pp.
20–46, Jan.
)