Abstract:
هدف: مقایسه قابلیتهای سه الگوریتم مختلف درخت تصمیم و مدل شبکه عصبی به منظور انتخاب مدل طبقهبندی مناسب برای ارزیابی عملکرد داوطلبان آزمون سراسریروش پژوهش: مبتنی بر رویکرد کمّی و با روش پیمایشی است و از متغیرهای جنسیت، سوابق تحصیلی و نمرههای تراز هر یک از دروس به عنوان متغیرهای موثر در طبقهبندی استفاده گردید.یافتهها: با در نظر گرفتن همه متغیرها بدون جنسیت براساس مدل شبکه عصبی، مشخص شد که دروس تخصصی ریاضی، فیزیک و شیمی سپس دروس عمومی فارسی و دینی به ترتیب بیشترین اهمیت را در طبقهبندی دارند. فاصله دیپلم تا آزمون سراسری کمترین تاثیر را داشت. همچنین مشخص شد در صورتی که تنها متغیرهای مربوط به دروس آزمون در نظر گرفته شود ترتیب میزان اهمیت دروس شیمی و فیزیک جابهجا میشود.نتیجهگیری: با استناد به شاخص دقت کلی، الگوریتم مدل شبکه عصبی با دقت بیشتر از 95/0 از عملکرد بالاتری نسبت به الگوریتمهای درخت تصمیم برخوردار است. از طرفی ورود متغیرهای سوابق تحصیلی در دقت الگوریتم شبکه عصبی تاثیر مطلوبی داشته است.
Objective: Comparison of capabilities of three different algorithms of decision tree and neural network model in order to choose the appropriate classification model to evaluate the performance of national exam candidates.Methods: It is based on a quantitative approach and a survey method, and the variables of gender, academic records and balance scores of each course were used as effective variables in the classification.Results: Considering all the variables without gender based on the neural network model, it was found that the specialized courses of mathematics, physics and chemistry, followed by the general courses of Persian and religion respectively, are the most important in the classification. The distance between the diploma and the national exam had the least effect. It was also found that if only variables related to test courses are considered, the order of importance of chemistry and physics courses will be shifted.Conclusion: Based on the overall accuracy index, the neural network model algorithm with an accuracy greater than 0.95 has a higher performance than the decision tree algorithms. On the other hand, the inclusion of educational background variables has had a favorable effect on the accuracy of the neural network algorithm.
Machine summary:
ir اطلاعات مقاله چکيده هدف : مقايسه قابليت هاي سه الگوريتم مختلف درخت تصميم و مدل شبکه عصبي به منظور انتخاب مدل طبقه بنـدي مناسب براي ارزيابي عملکرد داوطلبان آزمون سراسري روش پژوهش : مبتني بر رويکرد کمي و با روش پيمايشي است و از متغيرهاي جنسيت ، سوابق تحصيلي و نمره هاي تراز هر يک از دروس به عنوان متغيرهاي موثر در طبقه بندي استفاده گرديد.
Jishan, Rashu, Haque, & Rahman 7.
Meit, Borges, Cubic & Seibel 12.
لذا در اين مطالعه از اين الگوريتم ها براي طبقه بندي داوطلبان کنکورسراسري استفاده شده است که سه الگوريتم مهم درخت تصميم و مدل شبکه عصبي پرسپترون براي اين پژوهش در نظر گرفته شدند که در ادامه به تفکيک مباني نظري روش هاي مربوطه مطرح ميشوند.
بدين منظور براساس مباني نظري مطرح شده در پيشينه پژوهش از متغيرهاي جنسيت ، سوابق تحصيلي (معدل کتبي ديپلم و فاصله اخذ ديپلم و شرکت در آزمون سراسري) و نمره هاي تراز هر يک از دروس به عنوان متغيرهاي موثر در طبقه بندي و پيش بيني سطح عملکرد داوطلبان استفاده گرديد و بر اين اساس به سوال هاي زير پاسخ داده ميشود: ١.
Mining educational data to improve students' performance: a case study.
Predicting students’ academic performance: comparing artificial neural network, decision tree and linear regression.
Predicting students academic performance using artificial neural network: A case study of an engineering course .
Predicting student performance: a statistical and data mining approach.
A review on predicting student's performance using data mining techniques.