• شماره مدرك
    21196
  • شماره راهنما
    18163
  • پديد آورنده

    الطيف، انس

  • عنوان

    مطالعه‌اي در مورد تاثير كاربردهاي هوش مصنوعي در توسعه برنامه درسي و روش‌هاي ارزيابي

  • مقطع تحصيلي
    كارشناسي ارشد
  • گرايش تحصيلي
    هوش مصنوعي و رباتيك
  • محل تحصيل
    اصفهان : دانشگاه صنعتي اصفهان
  • سال دفاع
    1405
  • صفحه شمار
    67
  • توصيفگر ها

    پيش‌بيني عملكرد دانشجويان , يادگيري ماشين , مجموعه‌داده OULAD , روش‌هاي تجميعي , مهندسي ويژگي

  • تاريخ ورود اطلاعات
    1405/05/24
  • كتابنامه
    كتابنامه
  • رشته تحصيلي
    مهندسي كامپيوتر
  • دانشكده
    مهندسي برق و كامپيوتر
  • تاريخ ويرايش اطلاعات
    1405/05/25
  • كد ايرانداك
    23242999
  • چكيده فارسي
    پيش‌بيني عملكرد تحصيلي دانشجويان يكي از مهم‌ترين چالش‌هاي حوزه‌ي داده‌كاوي آموزشي است كه شناسايي زودهنگام دانشجويان در معرض خطر مردودي يا ترك تحصيل را ممكن ساخته و زمينه‌ي مداخله‌ي به‌موقع مؤسسات آموزشي را فراهم مي‌آورد. در اين پژوهش، مسئله‌ي پيش‌بيني وضعيت نهايي دانشجويان (قبولي يا مردودي) به‌عنوان يك مسئله‌ي طبقه‌بندي دودويي فرمول‌بندي شده و از مجموعه‌داده‌ي تحليل يادگيري دانشگاه آزاد بريتانيا كه شامل اطلاعات جمعيت‌شناختي، ثبت‌نامي، نتايج ارزيابي‌ها و لاگ‌هاي تعامل دانشجويان با محيط يادگيري مجازي است، بهره گرفته شده است. پس از انجام مراحل پيش‌پردازش داده‌ها شامل پاك‌سازي، مديريت مقادير گم‌شده، ادغام جداول مرتبط و مهندسي ويژگي، هشت الگوريتم يادگيري ماشين شامل رگرسيون لجستيك ، نزديك‌ترين همسايه‌ي Kام، ماشين بردار پشتيبان، درخت تصميم، جنگل تصادفي، گراديان بوستينگ، اكس‌جي‌بوست و پرسپترون چندلايه بر روي داده‌ها اعمال و عملكرد آن‌ها با يكديگر مقايسه گرديد. ارزيابي مدل‌ها با استفاده از معيارهاي دقت ، صحت ، بازيابي و امتيازF1 انجام پذيرفت تا قابليت تعميم‌پذيري هر مدل به‌طور دقيق سنجيده شود. همچنين، به‌منظور بررسي تأثير عدم تعادل كلاس‌هاي موجود در مجموعه‌داده بر عملكرد مدل‌ها، تحليل‌هاي تكميلي صورت گرفت. نتايج اين پژوهش نشان داد كه الگوريتم‌هاي تركيبي (Ensemble Methods) به‌ويژه XGBoost، گراديان بوستينگ و جنگل تصادفي، عملكرد برتري نسبت به مدل‌هاي پايه از خود نشان دادند. همچنين، نتايج ارزيابي مدل‌ها نشان داد كه الگوريتم XGBoost با دستيابي به‌دقت 93 درصد، مقدار Recall برابر با 90 درصد براي كلاس مردودي و امتياز F1 معادل 93 درصد، بهترين عملكرد را در ميان هشت الگوريتم مورد بررسي ارائه داد. پس از آن، الگوريتم‌هاي جنگل تصادفي و گراديان بوستينگ هر دو با دقت 92 درصد در رتبه‌هاي بعدي قرار گرفتند كه برتري روش‌هاي مبتني بر تجميع (Ensemble) را نسبت به مدل‌هاي پايه نشان مي‌دهد. همچنين، تحليل نتايج بيانگر آن بود كه ويژگي‌هاي رفتاري دانشجويان در محيط يادگيري مجازي، به‌ويژه ميزان تعامل با سامانه آموزشي و نتايج ارزيابي‌هاي مستمر، بيشترين نقش را در پيش‌بيني وضعيت نهايي دانشجويان ايفا مي‌كنند. يافته‌هاي پژوهش نشان مي‌دهد كه بهره‌گيري از الگوريتم‌هاي يادگيري ماشين، به‌ويژه مدل XGBoost، مي‌تواند به‌عنوان ابزاري مؤثر براي شناسايي زودهنگام دانشجويان در معرض خطر افت تحصيلي و پشتيباني از تصميم‌گيري‌هاي آموزشي مورد استفاده قرار گيرد.
  • چكيده انگليسي
    Predicting student academic perfo‎rmance is a critical challenge in Educational Data Mining (EDM). It enables the early identification of students at risk of academic failure Julyo‎r dro‎pout, thereby facilitating timely interventions by educational institutions. In this research, the prediction of studentsʹ final outcomes (pass o‎r fail) is fo‎rmulated as a binary classification problem. To this end, the Open University Learning Analytics Dataset (OULAD) is utilized, comprising demographic info‎rmation, registration reco‎rds, assessment results, an‎d interaction logs within the Virtual Learning Environment (VLE). Following comprehensive data preprocessing steps—including data cleaning, missing value imputation, merging relational tables, an‎d feature engineering—eight machine learning algo‎rithms were implemented an‎d comparatively analyzed. These algo‎rithms include Logistic Regression, K-Nearest Neighbo‎rs (KNN), Suppo‎rt Vecto‎r Machine (SVM), Decision Tree, Ran‎dom Fo‎rest, Gradient Boosting, XGBoost, an‎d Multi-Layer Perceptron (MLP). The models were eva‎luated using stan‎dard metrics, namely Accuracy, Precision, Recall, an‎d F1-Sco‎re, to rigo‎rously assess their generalization capabilities. Furthermo‎re, supplementary analyses were conducted to investigate the impact of class imbalance within the dataset on model perfo‎rmance. The results demonstrated that ensemble methods, particularly XGBoost, Gradient Boosting, an‎d Ran‎dom Fo‎rest, outperfo‎rmed the baseline models. Additionally, the findings revealed that features related to student interactions with the VLE an‎d continuous assessment sco‎res possess the highest discriminative power in predicting studentsʹ academic trajecto‎ries. Finally, the analysis of the trade-off between model complexity an‎d interpretability indicated that highly complex models are not necessarily the optimal choice fo‎r practical educational applications; the selec‎tion of the final model should ensure a balance between predictive accuracy an‎d the interpretability of results fo‎r educational decision-makers.
  • استاد راهنما
    محمدرضا احمدزاده , محمد داورپناه جزي
  • استاد داور
    الهام محمودزاده , مينا اميري
    • لينک به اين مدرک
    https://library.iut.ac.ir/dl/search/default.aspx?Term=21196&Field=0&DTC=107