تحقیق پیش بینی آینده تحصیلی دانش آموزان،بهبود شرایط تحصیل،کشف المان های تاثیرگذار در موفقیت تحصیلی

توضیحات

 عنوان فارسی: پیش بینی آینده تحصیلی دانش آموزان، بهبود شرایط تحصیل،کشف المان های تاثیرگذار در موفقیت تحصیلی

• مقدمه
•  طرح مسئله
•  داده کاوی
•  تاریخچه ی داده کاوی
•  انواع داده کاوی
•  راحل کشف دانش
•  علت پیدایش داده کاوی عملیات داده‌کاوی
•  در سیستم های آموزشی برای تحلیل رفتار آموزشی
•  قوانین وابستگی
•  رده‌بندی
•  خوشه بندی
•  تشخیص ناهمگونی
•  توصیف داده ها در داده کاوی
•  خلاصه سازی و به تصویر درآوردن داده ها
•  خوشه بندی
•  تحلیل لینک
•  نرم افزارهای داده کاوی
•  روش‌های پیش‌بینی مورداستفاده برای عملکرد دانش آموزان
•  طبقه بندی
•  درخت تصمیم گیری
•  ویژگی های درخت تصمیم
•  الگوریتم CHAID
• cart الگوریتم
•  ID و C الگوریتم
• QUEST الگوریتم
• CRUISE الگوریتم
•  شبکه عصبی مصنوعی
•  ساختار شبکه عصبی مصنوعی نورون
•  معماری شبکه عصبی
•  طبقه بندی بیزی
•  شبکه های بیزین
• قاعده تصمیم k همسایه نزدیک‌ترین
•  ماشین بردار پشتیبان
• رگرسیون
• الگوریتم سری زمانی
•  تحقیق های انجام‌یافته
•  منابع

مقدمه

برای مؤسسات آموزشی بخش مهمی از جامعه ما هستند و نقش حیاتی رشد و توسعه ی کشور دارند. اخیراً جریان اطلاعات در حوزه آموزش‌وپرورش نسبتاً ساده و استفاده از فن‌آوری محدود بود. بااین‌حال، همان‌طور که ما به سمت جهان یکپارچه‌تر حرکت می‌کنیم تکنولوژی به بخشی جدایی‌ناپذیر از فرآیندهای کسب‌وکار تبدیل‌شده و فرایند انتقال اطلاعات پیچیده‌تر شده است. امروزه یکی از بزرگ‌ترین چالش-هایی که مؤسسات آموزشی با آن روبرو هستند رشد انفجاری داده‌های آموزشی و استفاده از این اطلاعات برای بهبود کیفیت تصمیمات مدیریتی است. تکنیک های داده‌کاوی ابزارهایی برای استخراج دانش معنادار را از مجموعه داده های بزرگ است[6]. بدیهی است دانش‌آموز باید بر اساس ملاک‌های مناسب علمی تصمیماتی اتخاذ و احتمال شکست در آینده را کاهش دهد. در سال‌های اخیر با توجه به مشکلات موجود در زمینه استخراج دانش از پرونده‌های مشاوره‌ای، تحصیلی و استفاده از آن‌ها به‌منظور تصمیم‌گیری‌های مناسب، تکنیک‌های داده‌کاوی در امر آموزش موردتوجه قرارگرفته است. این زمینه تحقیقاتی جدید، داده‌کاوی آموزشی نامیده می‌شود که به توسعه روش‌های کشف دانش از داده‌های محیط آموزشی می‌پردازد[26]. با به‌کارگیری تكنیك های داده كاوی روی‌داده‌های آموزشی می توان اطلاعات و دانش مفیدی را از آن ها استخراج كرد كه این دانش نیز به‌نوبه خود می تواند برای درك و فهم رفتار، كمك در امر آموزش و تدریس، ارزیابی و بهبود سیستم‌های آموزش الكترونیكی، بهبود برنامه آموزشی، افزایش بازدهی و كارایی افراد و اهداف دیگری بكار گرفته شود[32].

2. طرح مسئله

 در دنیای مدرن مقدار زیادی از اطلاعات در دسترس است که می‌تواند به‌طور مؤثر مورداستفاده برای تولید حیاتی اطلاعات باشد. اطلاعات به‌دست‌آمده را می-توان در زمینه علم پزشکی، آموزش‌وپرورش، کسب‌وکار، کشاورزی و غیره استفاده شود. بنابراین مقدار زیادی از داده ها در حال جمع‌آوری و ذخیره شدن در پایگاه داده ها هستند. داده‌کاوی و یا کشف دانش به دلیل آن در تجزیه‌وتحلیل داده کمک می‌کند تا از دیدگاه های مختلف و خلاصه آن را به اطلاعات مفید دست پیدا کرد، از اهمیت رو به رشد برخوردار است. انجام تحقیقات درزمینه‌ی استفاده از داده کاوی در امر آموزش در حال افزایش است. این عرصه ی در حال پیشرفت داده-کاوی آموزشی نامیده می شود که مربوط به توسعه ی روش-ها و کشف اطلاعات آموزشی از محیط های آموزشی است. داده های شخصی یا علمی می‌توانند برای درک رفتار دانش آموزان، برای کمک به مربیان در بهبود آموزش، ارزیابی و بهبود سیستم‌های آموزش الکترونیکی، به‌منظور بهبود دوره‌های آموزشی و بسیاری از مزایای دیگر مورداستفاده قرار گیرند[6]. داده‌کاوی یک اصطلاح است که برای توصیف استخراج ارزش از یک پایگاه داده استفاده می شود. پایگاه داده محلی برای نگهداری اطلاعات ذخیره‌شده می باشد که در آن نوع داده ذخیره‌شده بستگی زیادی به نوع صنعت و شرکت دارد، به‌عنوان‌مثال: استخراج اطلاعات مبنی بر پیشگویی پنهان از بانک‌های اطلاعاتی بزرگ، یک فناوری جدید و نیرومند با پتانسیل بالا برای کمک به صنعت پزشکی می‌باشد. ابزارهای داده‌کاوی روش‌ها و رفتارهای آینده و امکان ایجاد کسب‌وکار فعال و تصمیمات دانش‌محور را پیش‌بینی می کنند. اکثر انسان‌های مرتبط با رشته پزشکی مقادیر عظیمی از داده را جمع‌آوری و پالایش می کنند. تکنیک های داده کاوی می‌توانند به‌سرعت روی پلت فرم های نرم‌افزار و سخت‌افزار موجود به‌منظور افزایش ارزش منابع اطلاعاتی موجود، اجرا شوند. همچنین در صنعت آموزش که استخراج داده های آموزشی خوانده می‌شود، در رابطه با شیوه‌های درحال‌توسعه‌ای است که به کشف اطلاعات به‌دست‌آمده از محیط‌های آموزشی می‌پردازد و از فن‌هایی مانند درخت تصمیم‌گیری، شبکه‌های عصبی، نزدیک‌ترین نود مجاور و غیره استفاده می‌کند. در حوزه ورزش نیز داده‌کاوی برای کاربردهایی ازجمله ارزیابی استراتژی‌های بازی، پیش‌بینی نتایج آموزش، آسیب‌دیدگی، عملکرد تیمی و فردی، همچنین شناسایی استعدادهای مختلف در رشته‌های ورزشی مختلف استفاده می‌شود. داده کاوی در شکل دهی تجارت‌ها و ارتباطات مشتریان به ابزار مهمی تبدیل‌شده است. استخراج داده‌ها و کشف آن‌ها به‌منظور تصمیم‌گیری بهتر می‌باشد و به‌عنوان یک مؤلفه ضروری در سازمان‌های مختلف درآمده است این تکنیک‌ها نیازمند زمینه‌های جدید علمی،آماری و قابلیت-های محاسباتی مناسب می‌باشد[32]. با توجه به نقش مهم افزایش سرعت کامپیوترها در پیشرفت علم داده‌کاوی می توان گفت با زمینه هایی که در داده کاوی داده های سیستم آموزش مطرح اند، بسیار گسترده می باشند. مخصوصاً که در کشور ما، کار خاصی در این زمینه صورت نگرفته است. از طرفی با توجه به اینکه روش‌های پذیرش و تحصیل دانشجو و اهداف مرتبط با پذیرش دانشجو و حفظ و نگهداری وی برای مؤسسات آموزشی داخل و خارج از کشور بسیار باهم متفاوت می باشد، لازم است که توانایی های بالقوه داده کاوی در ارتقاء فرآیندهای سیستم آموزش دانشگاه های داخل کشور به نحو جداگانه موردبررسی و تحلیل قرار بگیرند. در حقیقت، بسیاری از تکنیک های داده-کاوی بکار گرفته‌شده در سیستم های آموزشی خارج از کشور، یا قابل‌اعمال به داده های سیستم های آموزشی دانشگاه های ما نمی باشند و یا در صورت داشتن قابلیت اعمال، نتایج ارزشمندی را جهت ارتقاء فرآیندهای سیستم آموزشی به ارمغان نمی آورند[30].

3. داده‌کاوی

 در یك تعریف غیررسمی داده‌کاوی فرآیندی است، خودكار برای استخراج الگوهایی كه دانش را بازنمایی می كنند، كه این دانش به‌صورت ضمنی در پایگاه داده‌های عظیم، انباره داده و دیگر مخازن بزرگ اطلاعات، ذخیره‌شده است. داده‌کاوی به‌طور هم‌زمان از چندین رشته علمی بهره می‌برد نظیر: تكنولوژی پایگاه داده، هوش مصنوعی، یادگیری ماشین، شبکه‌های عصبی، آمار، شناسایی الگو، سیستم‌های مبتنی بر دانش، حصول دانش، بازیابی اطلاعات، محاسبات سرعت‌بالا و بازنمایی بصری داده‌کاوی در اواخر دهه 1980 پدیدار گشته، در دهه 1990 گام های بلندی در این شاخه از علم برداشته‌شده و انتظار می رود در این قرن به رشد و پیشرفت خود ادامه دهد[7]. واژه های «داده‌کاوی» و «کشف دانش در پایگاه داده» اغلب به‌صورت مترادف یکدیگر مورداستفاده قرار می گیرند.کشف دانش به‌عنوان یک فرآیند در شکل 1 نشان داده‌شده است[21]. شکل(1) تکامل تکنولوژی پایگاه داده و استفاده فراوان آن در کاربردهای مختلف سبب جمع آوری حجم فراوانی داده‌شده است. این داده های فراوان باعث ایجاد نیاز برای ابزارهای قدرتمند برای تحلیل داده ها گشته، زیرا در حال حاضر به لحاظ داده ثروتمند هستیم ولی دچار کمبود اطلاعات هستیم. ابزارهای داده‌کاوی داده-ها را آنالیز می کنند و الگوهای داده ها را کشف می-کنند که می توان از آن در کاربردهایی نظیر: تعیین استراتژی برای کسب‌وکار، پایگاه دانش و تحقیقات علمی و پزشکی، استفاده کرد. شکاف موجود بین داده-ها و اطلاعات سبب ایجاد نیاز برای ابزارهای داده‌کاوی شده است تا داده های بی ارزش را به دانشی ارزشمند تبدیل کنیم. به‌طور ساده داده‌کاوی به معنای استخراج یا «معدن کاری » دانش از مقدار زیادی داده خام است. البته این نام‌گذاری برای این فرآیند تا حدی نامناسب است، زیرا به‌طور مثال عملیات معدن کاری برای استخراج طلا از صخره و ماسه را طلا کاوی می نامیم، نه ماسه کاوی یا صخره کاوی، بنابراین بهتر بود به این فرآیند نامی شبیه به «استخراج دانش از داده» می دادیم که متأسفانه بسیار طولانی است. «دانش کاوی» به‌عنوان یک عبارت کوتاه‌تر به‌عنوان جایگزین، نمی تواند بیانگر تأکید و اهمیت بر معدن کاری مقدار زیاد داده باشد. معدن کاری عبارتی است که بلافاصله انسان را به یاد فرآیندی می اندازد که به دنبال یافتن مجموعه کوچکی از قطعات ارزشمند از حجم بسیار زیادی از مواد خام هستیم[7]. با توجه به مطالب عنوان‌شده، بااینکه این فرآیند تا حدی دارای نام‌گذاری ناقص است ولی این نام‌گذاری یعنی داده‌کاوی بسیار عمومیت پیداکرده است. البته اسامی دیگری نیز برای این فرآیند پیشنهادشده كه بعضاً بسیاری متفاوت با واژه داده‌کاوی است، نظیر: استخراج دانش از پایگاه داده، استخراج دانش، آنالیز داده / الگو، باستان‌شناسی داده ، و لایروبی داده-ها [21]. داده کاوی را فرایند اکتشاف دانش از پایگاه های حجیم داده ی دیجیتال نامیده اند[7]. دو هدف کارکردی داده کاوی توصیف و پیش بینی معرفی‌شده است. توصیف به یافتن الگو های قابل تفسیر از داده ها متمرکزشده و پیش‌بینی به برآورد مقادیر یک متغیر هدف بر اساس ارزش های یک یا چند متغیر دیگر می پردازد. داده کاوی برای پیشبرد هردوی این اهداف از مدل های متنوعی نظیر طبقه بندی، خوشه بندی، رگرسیون و نمایه سازی بهره می برد و در اجرای این مدل ها متکی به استفاده از فنون آماری، یادگیری ماشینی و فناوری پایگاه داده است[21]. داده کاوی به معنای یافتن نیمه‌خودکار الگوهای پنهان موجود در مجموعه داده های موجود می باشد. داده کاوی از مدل‌های تحلیلی ، کلاس‌بندی و تخمین و برآورد اطلاعات و ارائه نتایج با استفاده از ابزارهای مربوطه بهره می‌گیرد. می توان گفت که داده‌کاوی در جهت کشف اطلاعات پنهان و روابط موجود در بین داده های فعلی و پیش بینی موارد نامعلوم و یا مشاهده نشده عمل می کند. برای انجام عملیات داده کاوی لازم است قبلاً روی‌داده‌های موجود پیش پردازش-هایی انجام گیرد. عمل پیش‌پردازش اطلاعات خود از دو بخش کاهش اطلاعات و خلاصه سازی و کلی سازی داده ها تشکیل‌شده است. کاهش اطلاعات عبارت است از تولید یک مجموعه کوچک‌تر، از داده های اولیه، که تحت عملیات داده کاوی نتایج تقریباً یکسانی با نتایج داده کاوی روی اطلاعات اولیه به دست دهد. پس از انجام عمل کاهش اطلاعات و حذف خصایص غیر مرتبط نوبت به خلاصه-سازی و کلی سازی داده ها می‌رسد. داده های موجود در بانک های اطلاعاتی معمولاً حاوی اطلاعات در سطوح پایینی هستند، بنابراین خلاصه سازی مجموعه بزرگی از داده ها و ارائه آن به‌صورت یک مفهوم کلی اهمیت بسیار زیادی دارد. کلی سازی اطلاعات، فرآیندی است که تعداد زیادی از رکوردهای یک بانک اطلاعاتی را به‌صورت مفهومی در سطح بالاتر ارائه می‌نماید[30].

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.