حمیدرضا افتخاری

پیش‌بینی عملکرد تحصیلی دانش‌آموزان و شناسایی عوامل موثر بر آن، نقش مهمی در بهبود سیستم‌های آموزشی و ارتقاء کیفیت یادگیری ایفا می‌کند. در این پژوهش هدف، پیش‌بینی عملکرد شرکت کنندگان در آزمون ریاضی که به صورت برخط بوده و ارزیابی عوامل تاثیرگذار بر این عملکرد در یک سامانه تطبیقی با استفاده از روش‌های هوش مصنوعی می باشد. بدین منظور، از مجموعه داده ASSISTments استفاده شده است و بیش از 160 هزار رکورد از پاسخ‌های شرکت‌کنندگان در آزمون ریاضی مورد بررسی قرار می گیرد. ابتدا فرآیند پیش‌پردازش و تمیزسازی داده‌ها اعمال گردید تا کیفیت و دقت تحلیل‌ها افزایش یابد. سپس ویژگی‌های منتخب استخراج شدند و نرمال سازی و متوازن سازی داده ها انجام می پذیرد. در گام بعد عملکرد دانش‌آموزان با استفاده از تکنیک‌های مختلف یادگیری ماشین و الگوریتم های ترکیبی مورد بررسی قرار می گیرد. الگوریتم‌های مختلفی از جمله شبکه‌های عصبی مصنوعی، نیوبیز، کا نزدیک ترین همسایه، جنگل تصادفی و انواع الگوریتم های بوستینگ برای مدل‌سازی و پیش‌بینی عملکرد دانش آموزان به کار گرفته شده است. این الگوریتم ها بر روی دو دسته ویژگی ارزیابی شده اند. پس از مدل‌سازی، اهمیت و نقش هر یک از ویژگی‌ها بر اساس دو روش مبتنی بر مدل و مبتنی بر جابجایی در پیش‌بینی عملکرد دانش‌آموزان مورد ارزیابی قرار می گیرد. نتایج این تحقیق نشان داد که جنگل تصادفی قادر به پیش‌بینی عملکرد افراد در آزمون با دقت 92 درصد برای دسته ویژگی ها 9 گانه و با دقت 97 درصد برای دسته ویژگی های 12 گانه است . همچنین، نقش هر کدام از ویژگی ها در عملکرد دانش آموز در هر دسته از ویژگی ها ارزیابی می گردد.