پیشینه و اهداف: در حال حاضر پیشرفت­های قابل توجهی در عرصه فناوری اطلاعات و ارتباطات در جوامع مختلف دیده می­شود. با توجه به این پیشرفت­ها، دانشگاه­ها به عنوان یک نهاد پیشرو در عرصه علم، به سمت فرآیندهای الکترونیکی در مسیر مدیریت آموزش حرکت نموده­اند و در محیط­های آموزشی، پایگاه­های اطلاعاتی با حجم اطلاعات زیاد وجود دارد. با تحلیل این داده­های انبوه سیستم­های آموزشی، می­توان روش­هایی را برای بهبود وضعیت آموزشی دانشجویان ارایه داد. داده­کاوی آموزشی به دنبال کشف دانش موجود در داده­های سیستم آموزشی بوده‌است.­ یکی از کاربردهای داده‌کاوی آموزشی، پیش‌بینی عملکرد تحصیلی دانشجویان است. پیش‌بینی عملکرد تحصیلی دانشجویان و ارائه راهکارهای مفید از اهمیت ویژه‌ای در موفقیت نظام‌های آموزشی برخوردار است و می­تواند به تصمیم­گیری درست مدیران، جهت افزایش بازدهی سیستم آموزشی و عملکرد بهتر دانشجویان، کمک شایانی کند. هدف مقاله حاضر، شناسایی شاخص‌های مؤثر بر عملکرد تحصیلی، پیش‌بینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک‌های داده‌کاوی و در نهایت، ارائه روندی جدید برای اصلاح روش انتخاب واحد و راهکارهای آموزشی در جهت افزایش کارایی سیستم آموزش است. روش‌ها‌: گام­های این پژوهش بر اساس مدل Crisp تعیین شده است. در پژوهش حاضر، پایگاه­داده­ای شامل 9 مجموعه داده از درس­های تخصصی رشته مهندسی صنایع استفاده شدند. دوره تحصیلی دانشجویان در نظر گرفته شده کارشناسی بوده‌است. شاخص­های تاثیرگذار بر عملکرد دانشجویان، بر اساس تحقیقات قبلی و نظر خبرگان شناسایی شده‌است. داده‌های جمعیت‌شناختی و سوابق تحصیلی دانشجویان مقطع کارشناسی رشته مهندسی صنایع وارد پایگاه داده شدند. پس از پیش‌پردازش داده‌ها، 13 شاخص‌ در نظر گرفته شد و با کمک الگوریتم‌های مختلف، مدل‌های مختلفی برای پیش‌بینی وضعیت تحصیلی دانشجویان در نیمسال بعدی ارائه گردید. مدل­های شبکه بیزی، لوجیت بوست، پارت و درخت تصمیم به عنوان پرکاربردترین الگوریتم های داده­کاوی آموزشی در این پژوهش مورد استفاده قرار گرفته و جهت بررسی عملکرد الگوریتم­ها از دو شاخص صحت و سطح زیر نمودار عملکرد استفاده شد. 9 پایگاه داده دروس در دو حالت دو و چند کلاسه در نظر گرفته‌شدند. در ادامه، مقایسه‌ای میان نتایج حاصل از 4 الگوریتم‌ مختلف صورت گرفته‌است. یافته‌ها: با توجه به شاخص­های بهره اطلاعات و نسبت بهره، تمامی 13 شاخص در نظر گرفته شده، به عنوان شاخص‌های مؤثر شناسایی شدند. این شاخص­ها عبارتند از: معدل، کل واحدهای گذرانده، تعداد ترم‌های مشروطی، نوع پذیرش، وضعیت تأهل، جنسیت، سال ورود به دانشگاه، سن، محل زندگی، ترم حاضر، نمره درس پیش­نیاز، استاد درس، تکرارد در اخذ واحد. از بین 4 مدل در نظر گرفته شده، بهترین مدل در دسته‌بندی و پیش­بینی عملکرد آموزشی دانشجویان ، الگوریتم Logit Boost شناخته شد. این الگوریتم، در هر دو حالت دو و چندکلاسه براساس شاخص‌های درصد صحت و سطح زیر نمودار ROC عملکرد بهتری از خود نشان داده‌است. نتیجه‌گیری: با توجه به عملکرد قابل قبول الگوریتم­های داده­کاوی، استفاده از این الگوریتم­ها در پیش­بینی عملکرد دانشجویان مناسب است و می‌توان مدل پیشنهادی را به عنوان یک ابزار پشتیبان تصمیم‌‌گیری در سیستم‌های آموزشی مورد استفاده قرار داد. در نهایت، با توجه به نتایج به‌دست آمده و نظرخواهی از خبرگان دانشگاهی، فرایند انتخاب واحد، بازطراحی گردید. فرایند ارایه شده با استفاده از داده­های موجود در سیستم­های آموزشی و علم داده‌کاوی، دانش مفیدی به تصمیم­­گیرندگان جهت تصمیم صحیح و مناسب ارایه می­دهد. تصمیم­گیرندگان می­توانند با بررسی پیش­بینی­های انجام شده توسط الگوریتم داده­کاوی و کسب اطلاعات مفید، تصمیمات مناسب اخذ نمایند، تا سیستم آموزشی بازدهی بیشتری داشته‌باشد.

کلمات کلیدی