پایان نامه ارشد رایگان درباره دانشجویان، درخت تصمیم، شبکه عصبی، رگرسیون

فعالسازی در لایه پنهان و لایه خروجی استفاده کرده و الگوریتم آموزش، شبکه نیز Levenberg-Marquardt بوده است. درونداد یا متغیرهای پیشبین در این پژوهش هفت متغیر روان‌شناختی (انگیزش، رهبری و …) و یازده متغیر تحصیلی شامل معدل دیپلم و نمرات استاندارد ریاضی و … بوده است. خروجی یا متغیرهای ملاک در این پژوهش سه نوع بوده که سه مدل جداگانه را ساخته است. این خروجیها عبارتند از: ۱) ادامه تحصیل یا عدم ادامه تحصیل؛۲) معدل کل دانشجو تا آغاز ترم سوم تحصیل؛ و ۳) خروجی چند پیامدی۳۰۸ که ترکیبی از بازگشت و عدم بازگشت و معدل دانشجو است. در این پژوهش معدل دانشجو به پیوستار [۱/. تا ۹/.] تبدیل شده و به ادامه تحصیل ارزش ۱ و عدم ادامه تحصیل ارزش صفر داده شده است. نتایج این تحقیق نشان داد، مدل شبکه عصبی چند پیامدی (ترکیبی) دارای صحت طبقهبندی ۷۱.۳% بوده که در مقابل شبکه عصبی که یک خروجی- ادامه تحصیل یا عدم ادامه تحصیل- داشت دارای صحت طبقهبندی ۷۰.۷% بوده است. پژوهشگران بر اساس این یافتهها استنتاج میکنند که شبکه عصبی با خروجی چند پیامدی نسبت به مدل یک پیامدی (ادامه تحصیل/ عدم ادامه تحصیل) از قدرت پیشبینی بهتری برخوردار است.
این پژوهش با آنالیز حساسیت، مهم‌ترین عوامل مرتبط با ادامه تحصیل دانشجو و معدل کل او را شناسایی کرده است؛ از بین متغیرهای تحصیلی، نمره استاندارد ریاضی دانشجو در دبیرستان و از بین متغیرهای روان‌شناختی انگیزش و رهبری، مهم‌ترین متغیرهای پیشبین بوده است. هر چند این پژوهش مبتنی بر داده‌های دانشجویان الکترونیکی نبوده ولی از آنجا که به دانشجویان مهندسی مربوط بوده برای اهداف پژوهش حائز اهمیت است.
– بوگارد و همکارانش۳۰۹(۲۰۱۱) برای پیشبینی ماندگاری و عدم ماندگاری تعداد نه هزار و ۷۳۹ دانشجو، از روش‌هایی هوشمند استفاده کردهاند. مدلهای پیشبین از داده‌های دانشجویان در سه مرحله استفاده کرده است. مرحله اول مدل سازی بر اساس متغیرهای (مشخصههای) دانشجو در بدو ورود بوده است. مشخصههای مرحله اول شامل ۲۰ متغیر بوده که مواردی از قبیل سن، جنس، معدل دیپلم و … را در بر میگیرد. مرحله دوم بر اساس داده‌های هفته پنجم تحصیلی است؛ در این مرحله ۳۱ متغیر پیشبین بر ۲۰ متغیر قبلی اضافه میشود. در مرحله سوم از داده‌های دانشجویان در پایان ترم اول استفاده شده است. در این مرحله ۵ متغیر به مجموع متغیرهای مرحله یک و دو اضافه شده است.
در این پژوهش رگرسیون لجستیک، شبکه عصبی (MLP)، درخت تصمیمگیری و الگوریتم ترکیبی۳۱۰(رگرسیون، شبکه عصبی، درخت تصمیمگیری) مقایسه شده است. جدول ‏۲-۶ نتایج روش‌هایی بهکار رفته بر اساس داده‌های مرحله سوم- پس از یک ترم تحصیل- گزارش شده است. همان‌گونه که مشاهده میشود الگوریتم ترکیبی از قدرت طبقهبندی بیشتری برخوردار است.
جدول ‏۲-۶: مقایسه صحت طبقه بندی در پژوهش بوگارد و همکاران
رگرسیون لجستیک
شبکه عصبی
درخت تصمیم گیری
الگوریتم ترکیبی
درصد صحت طبقه بندی کل
۷۹
۷۹
۷۹
۸۰
درصد صحت طبقه بندی دانشجویان مشمول افت
۷۵
۷۷
۷۵
۷۷
– لین (۲۰۱۲) وضعیت ادامه تحصیل یا افت تحصیلی تعداد پنج هزار و ۹۴۳ دانشجو را در یکی از دانشگاههای آمریکا با پنج الگوریتم درخت تصمیمگیری (ADT Tree311، NB Tree، CART، J48 graft، J48) پیشبینی کرده است. مشخصههای پیشبین در این پژوهش ۲۲ متغیر بوده که از پایش ۵۲ مشخصه اولیه دانشجویان انتخاب و به صورت طبقهای۳۱۲ وارد مدل شدهاند. مشخصهها مواردی چون جنسیت، سن، معدل دیپلم و… بوده است.
از تعداد پنج هزار و ۹۴۳ دانشجو در مجموعه داده‌های این پژوهش، تعداد ۹۳۴ دانشجو ترک تحصیل کرده بودند (بالانس نبودن)؛ لذا محقق مجموعه داده‌های خود را با روش کپی کردن تعداد نمونههای مشمول افت، بالانس کرده است. به این روش که سه مجموعه داده ساخته شده که در مجموعه اول، تعداد ۹۳۴ دانشجوی مشمول افت را شامل می‌شود و در مجموعه دوم در راستای بالانس کردن، ۲ کپی از دانشجویان مشمول افت به مجموعه داده اول اضافه شده است و در مجموعه سوم، سه کپی از داده‌های دانشجویان مشمول افت اضافه شده. در این پژوهش، از دقت۳۱۳ و بازخوانی۳۱۴ برای مقایسه عملکرد پنج الگوریتم فوق استفاده شده است.
شاخص دقت در این پژوهش نشان داد، بر روی مجموعه داده اول، یعنی مجموعه داده واقعی الگوریتم ADT tree با شاخص دقت ۸۳.۹% بیشترین قدرت پیشبین را برای افت تحصیلی دانشجویان دارد. در اغلب الگوریتمها شاخص دقت در مجموعه داده‌های دوم و سوم (کپی شدن دانشجویان مشمول افت) به طور معنی داری کاهش یافته است. به عنوان نمونه، شاخص دقت ADT tree به ۴۹.۵% کاهش یافته است. از طرفی شاخص بازخوانی که در داده‌های مجموعه اول بین ۵.۱% تا ۱۲.۳% بوده در مجموعه سوم به ۱۷.۶% تا ۸۸.۷% افزایش یافته است. در این پژوهش الگوریتم ADT tree با بیشترین دقت پیشبینی، بهترین الگوریتم تشخیص داده شده است. این الگوریتم و الگوریتم NB Tree با ۷۷.۹% دقت، علاوه بر دقت بالا، احتمال بیشبرازش کمتری را نیز دارند.
– یاتونگچای و همکارانش۳۱۵ (۲۰۱۲) داده‌های ۷۳۲ دانشجوی تایلندی را با مدل درخت تصمیمگیری و شبکههای بیزی بررسی کردند. الگوریتمهای C4.5 و Naive Bayes در این بررسی مقایسه شدند. متغیرهای پیشبین دو دسته بودند: الف) متغیرهای مربوط به قبل از پذیرش دانشجو که رشته تحصیلی (اسمی)، معدل دیپلم (فاصلهای) و اندازه مدرسه (رتبهای) را در بر میگرفت ب) متغیرهای بعد از پذیرش در دانشگاه که عواملی چون؛ معدل ترم اول تا ترم چهارم (رتبهای)، علل افت (اسمی)، استفاده از وام دانشجویی (بله/خیر) را شامل میشد. متغیر ملاک ادامه تحصیل یا عدم ادامه تحصیل (باینری) بوده است. با متغیرهای مربوط به پیش از پذیرش دانشجو، درصد صحت طبقه بندی برای الگوریتم درخت تصمیمگیری ۶۰/۷۶% و برای نیو بیز ۷۵.۶۸% بوده و با متغیرهای پیشبین بعد از پذیرش دانشجو، درصد صحت طبقهبندی برای الگوریتم درخت تصمیمگیری ۷۸/۸۵% و برای نیو بیز ۸۳.۴۹% گزارش شده است. با مجموع دو دسته متغیر، درصد صحت طبقهبندی کلی برای درخت تصمیمگیری ۸۴.۸۶% و برای الگوریتم نیو بیز ۸۲.۱۱% گزارش شده است. نتایج مقایسهای صحت طبقهبندی نشان میدهد، الگوریتم درخت تصمیمگیری (C4.5) در مقایسه با نیو بیز از صحت طبقهبندی بیشتری برخوردار است.
۲-۵-۴ جمع بندی پیشینه پژوهش ها و ارائه مدل ساختاری پیشنهادی
بررسی الگوها و پژوهشهای انجام شده در زمینه عوامل موثر، مرتبط یا پیشبینی کننده وضعیت تحصیلی یادگیرنده الکترونیکی را می‌توان در چند دسته قرار داد:
دسته اول، مجموعه متغیرهای دموگرافیک: عواملی چون؛ جنسیت، سن و وضعیت تأهل دانشجویان از راه دور در اغلب پژوهشها مد نظر بوده است. مجموعه مدلهای مسیر که این عوامل را به عنوان متغیرهای برونزاد به مدل خود وارد کردهاند. مجموعه تحقیقاتی که با رگرسیونی این عوامل را به عنوان عوامل پیشبین وارد مدل خود کردهاند. برخی پژوهشها نیز با روش‌هایی تحلیل آماری چون آزمون T و تحلیل واریانس، عملکرد تحصیلی یادگیرندگان الکترونیکی را بر حسب این متغیرها مقایسه کردهاند.
دسته دوم، متغیرهای اجتماعی و اقتصادی: در این دسته، عواملی چون وضعیت اشتغال یادگیرنده، تأمین‌کننده هزینه تحصیل، محل زندگی دانشجو و فاصله محل زندگی فرد از موسسه آموزشی، قرار دارند. این دسته از متغیرها یا به عنوان متغیرهای برونزاد یا به عنوان مجموعه متغیرهای درونزادی که تحت تأثیر متغیرهای دموگرافیک هستند، در مدلهای مسیر مورد توجه بوده‌اند.
دسته سوم، متغیرهای مربوط به پیشینه تحصیلی: پیشینه تحصیلی به معدل مقطع قبل دانشجو یا نمرات استاندارد دانشجو در آزمونهای ورودی اشاره دارد. در مجموعه تحقیقات و مدلهایی که برای آموزش مهندسی ارائه شده است، نمرات یا توانمندی ریاضی یادگیرنده حائز اهمیت تشخیص داده شده است. این دسته از متغیرها اغلب به عنوان متغیرهای برونزاد یا مجموعه متغیرهایی که تحت تأثیر متغیرهای دموگرافیک هستند، وارد مدلهای مسیر شدهاند.
دسته چهارم، متغیرهای نظری: مدلهای مختلف برای تبیین عوامل موثر در افت تحصیلی یادگیرنده از تئوریهای مطرح در علوم دیگر به ویژه علوم تربیتی و یادگیری و بعضاً علوم اجتماعی بهره بردهاند. آنچنان که در مبحث نظریهها و مدلهای موفقیت یادگیرنده الکترونیکی اشاره شد؛ نظریه “یکپارچگی اجتماعی” که توسط جامعه شناس بزرگ “دورکیم” ارائه شده است، نظریه محوری بسیاری از مدلهای افت تحصیلی یادگیرنده از راه دور را شکل داده است. مهم‌ترین نظریههای آزمون شده در پژوهشهای مختلف این حوزه به قرار زیر هستند:
۱) نظریه انگیزش: همان‌گونه که در نتایج تحقیقات مشاهده شد، نظریههای انگیزش به عنوان تبیین کننده موفقیت دانشجو در آموزش الکترونیکی بیشترین فراوانی را دارند. انگیزه نیروی محرکه انسان برای دستیابی به اهداف خود است. در محیطهای آموزشی انگیز? تحصیل، نیرویی است که مطالعه، یادگیری و ادامه تحصیل را هدایت میکند. انگیزش در یادگیری و عوامل انگیزنده یادگیری حوزه بسیار گستردهای است که توضیح آن در این گزارش نمی‌گنجد. پژوهشهای انجام شده در حوزه آموزش الکترونیکی، انگیزش در یادگیرنده الکترونیکی را از دو دیدگاه بررسی کرده‌اند. اول انگیزه درونی و انگیزه بیرونی۳۱۶؛ دوم: رضایت از تحصیل الکترونیکی.
انگیزه درونی زمانی مطرح است که یادگیرنده بدون توجه به جایزه یا تایید بیرونی فقط برای رضایت خودش به فعالیتی اهتمام میورزد. در مقابل فرد دارای انگیزه بیرونی برای دستیابی به نتایج چون جایزه یا تایید بیرونی به عملی اهتمام می‌ورزد (وارلند و روسیو۳۱۷، ۲۰۰۱ به نقل از نیکولز۳۱۸، ۲۰۰۶). پژوهشهایی که بر اهمیت انگیزه درونی و بیرونی تاکید دارند به این اصل رسیده‌اند که هرچه انگیزه تحصیل دانشجو درونی باشد احتمال موفقیت یادگیرنده الکترونیکی بیشتر است.
رضایتمندی دانشجو از تحصیل الکترونیکی، متغیر دیگری است که در حوزه نظریههای انگیزشی قرار میگیرد. رضایت یادگیرنده برگرفته از مدل طراحی انگیزشی کلر۳۱۹ است. کلر برای تجزیه تحلیل و طراحی انگیزشی آموزش مدلی شامل چهار مفهوم بنیادی مطرح کرده است که به۳۲۰ARCS مشهور است (کلر،۱۹۸۷، ۱۹۹۹). تحقیقاتی که در حوزه آموزش الکترونیکی بر اساس الگوی کلر طرح ریزی شدهاند، بر اهمیت رضایتمندی دانشجو از تحصیل الکترونیکی تاکید دارند. اصل بنیادی بر اساس یافته های این تحقیقات عبارت است از: هر چه رضایتمندی یادگیرنده الکترونیکی از تحصیل الکترونیکی بیشتر باشد، احتمال موفقیت او بیشتر است.
۲) نظریههای خودگردانی۳۲۱: پس از انگیزش، خودگردانی یکی از مهم‌ترین تبیین کننده‌های موفقیت دانشجوی الکترونیکی است. یادگیری خودگردان، عبارت است از یادگیری مستقل و اثربخش تحصیلی که شامل فراشناخت، انگیزش درونی و

این مطلب مشابه را هم بخوانید :   پایان نامه ارشد رایگان دربارهتحلیل عامل، تحلیل عاملی، اعتباریابی، خودکارآمدی

دیدگاهتان را بنویسید