مقایسه عملکرد روش های هوش مصنوعی در پیش‌بینی پیشرفت تحصیلی دانش‌آموزان

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه علوم کامپیوتر، دانشکده مهندسی کامپیوتر و صنایع، دانشگاه صنعتی بیرجند، بیرجند، ایران.

چکیده

امروزه، روش های هوش مصنوعی می‌تواند از طریق کشف ارتباط بین پارامترهای مختلف، دانش نهفته در مجموعه داده‌های آموزشی و تربیتی دانش‌آموزان را استخراج نماید. این دانش می‌تواند سیستم‌های آموزشی را در تصمیم‌گیری بهتر و داشتن طرح‌های پیشرفته-تری در جهت بهبود عملکرد تحصیلی دانش‌آموزان کمک کند. شناسایی عوامل مؤثر بر پیشرفت تحصیلی دانش‌آموزان و استفاده از تکنیکی که با بیشترین درصد درستی بتواند پیشرفت تحصیلی دانش‌آموزان را پیش‌بینی کند، هدف پژوهش حاضر است. در این پژوهش روش های ماشین بردار پشتیان، K-نزدیک‌ترین همسایه، درخت تصمیم و جنگل تصادفی به منظور پیش‌بینی پیشرفت تحصیلی به کار گرفته شده است. در نهایت اعتباریابی مدل‌ها با استفاده از معیارهای دقت، صحت، حساسیت، تشخیص‌پذیری، میزان خطای طبقه‌بندی و معیار ترکیبی مورد بررسی قرار گرفته است. یافته‌های پژوهش نشان می‌دهد که مدل ماشین بردار پشتیبان نسبت با سایر مدل‌ها بهترین عملکرد را در سنجش پیشرفت تحصیلی دانش‌آموزان داشته است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparing the performance of artificial intelligence methods in predicting students' academic progress

نویسندگان [English]

  • Malihe Niksirat
  • Javad Tayyebi
  • Mohammad Mahdi Izadkhah
Department of Industrial and Computer Engineering, Birjand University of Technology, Birjand, Iran.
چکیده [English]

Todays, artificial intelligence methods can extract the knowledge hidden in the educational data sets by discovering the relationship between different features. This knowledge can help educational systems in making better decisions and having more advanced plans to improve the academic performance of students. The aim of this study was to identify the factors affecting the academic progress of students and to use a technique that can predict the academic progress of students with the highest percentage of accuracy. Accordingly, artificial intelligence methods including Support vector machine, K-nearest neighbor, Decision trees and Random forest have been applied. Finally, the models was evaluated using Accuracy, Precision, F-measure, Sensitivity, Specificity and Classification error. The results showed that the support vector machine had the best performance in predicting the academic progress of students.

کلیدواژه‌ها [English]

  • Academic achievement
  • Artificial Intelligence
  • Support vector machine
  • K-nearest neighbor
  • Decision trees
  • Random Forest
  • Validation