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

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

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.

237803

هوش مصنوعي و رباتيك

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان