چکیده مقاله
شناسایی دانشجویان در معرض خطر افت تحصیلی در ابتدای ورود به دانشگاه یکی از چالش های کلیدی نظام های آموزشی است هدف این مقاله طراحی و پیاده سازی یک مدل هوش مصنوعی جهت پیش بینی عملکرد تحصیلی دانشجویان جدیدالورود در پایان ترم اول در سه دسته «عالی»، «متوسط» و «ضعیف» است در این مقاله برای مواجهه با چالش کیفیت داده ها یک رویکرد چند مرحله ای اتخاذ گردید ابتدا تحلیل داده های واقعی دریافتی از دانشگاه نشان داد که به دلیل فقدان متغیرهای پیش بینی کننده کلیدی، حداکثر دقت قابل دستیابی توسط مدل ها حدود ۵۰٪ است در مرحله بعد با الگوبرداری از توزیع آماری داده های حاصل از یک پرسشنامه آنلاین اولیه، یک مجموعه داده ساختگی و غنی تولید شد در نهایت مدل یادگیری ماشین مبتنی بر الگوریتم جنگل تصادفی Random Forest بر روی این داده های بهینه آموزش داده شد نتایج حاکی از آن است که مدل نهایی با بهره گیری از داده های ساختگی غنی شده، به دقت قابل توجه ۹۲ ۶٪ در پیش بینی عملکرد دانشجویان دست یافت علاوه بر این، یک داشبورد تعاملی جهت استفاده عملی و پیش بینی زنده برای دانشجویان به صورت تکی یا گروهی با آپلود فایل پیاده سازی گردید این مقاله نشان می دهد که کیفیت و غنای داده های ورودی عاملی تعیین کننده تر از پیچیدگی الگوریتم در موفقیت سیستم های پیش بینی کننده است
کلیدواژهها
نویسندگان
شیوه ارجاع
�راقی، مهدیه و میرحاجیان مقدم، رامونا و رحیمیان ظریف، فاطمه و کابلیان نقندر، حدیثه،1405،طراحی مدل یادگیری ماشین برای پیش بینی عملکرد تحصیلی دانشجویان با استفاده از الگوریتم جنگل تصادفی،نهمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق، کامپیوتر، مکانیک و مخابرات،مشهد
ارائهشده در
مجموعه مقالات نهمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق، کامپیوتر، مکانیک و مخابرات16 خرداد 1405 · مشهد