تعداد نشریات | 57 |
تعداد شمارهها | 1,865 |
تعداد مقالات | 14,899 |
تعداد مشاهده مقاله | 32,707,180 |
تعداد دریافت فایل اصل مقاله | 20,232,190 |
مدلی برای بخشبندی یادگیرندگان و بهبود عملکرد آموزشی با استفاده از الگوریتمهای دادهکاوی | ||
مطالعات مدیریت کسب و کار هوشمند | ||
دوره 9، شماره 33، آذر 1399، صفحه 5-38 اصل مقاله (994.31 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22054/IMS.2019.7824.1092 | ||
نویسندگان | ||
سینا رئیسی وانانی1؛ ایمان رئیسی وانانی* 2؛ محمدتقی تقوی فرد* 3 | ||
1کارشناسی ارشد، مدیریت، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران. | ||
2دانشیار ، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران.(نویسنده مسئول)؛ imanraeesi@atu.ac.ir | ||
3دانشیار، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران. | ||
چکیده | ||
ارزیابی عملکرد آموزشی از طریق شناسایی و تحلیل دادههای حاصل از فعالیتهای یادگیرندگان، میتواند به بهبود مؤثر عملکرد آموزشی منجر گردد. در پژوهش حاضر، دادههای مربوط به دانش پذیران بینالمللی، بر اساس روش تحقیق علم طراحی و با استفاده از روشهای دادهکاوی مورد بررسی قرار گرفته است. در این راستا تحقیقات انجامگرفته داخلی و بینالمللی در دهه گذشته بررسی و مرور شده است و دادههای تحصیلی و غیر تحصیلی یادگیرندگان در سه دسته خانوادگی، حمایتی و رفتار تحصیلی با استفاده از دادهکاوی، خوشهبندی شده است. پس از اعتبارسنجی خروجی الگوریتمها توسط شاخصهای مرتبط و تعیین تعداد خوشه بهینه در هر بخش، خوشهها نامگذاری و تحلیل شدند. تحلیل خوشههای شناساییشده، نشاندهنده تجربه موفقیت یا شکست تحصیلی دانش پذیران و ریشههای عملکرد مؤثر در هر بخش است و روش نامگذاری ارائهشده، روشی نوین و قابلاستفاده در اغلب مراکز آموزشی جهت تفکیک و تبیین عملکرد آموزشی است. | ||
کلیدواژهها | ||
کلیدواژگان: آموزش؛ عملکرد تحصیلی؛ دادهکاوی؛ خوشهبندی؛ طبقهبندی | ||
مراجع | ||
دی پیر، محمود و رابو، احمد. (1397). استفاده از داده کاوی آموزشی جهت گروهبندی یادگیرندگان در محیط یادگیری الکترونیکی بهمنظور شخصیسازی برنامه آموزش. مدیریت و برنامهریزی در نظامهای آموزشی، 11(1).108-83. رضائی، عباسعلی و زاهدی، محمدهادی. (1397). نقش فنآوریهای نوین در پیشرفت آموزشهای الکترونیکی (با نگاهی به فرصتها و چالشهای پیش رو در دانشگاهها و مراکز آموزش عالی داخل). نشریه پژوهش در نظامهای آموزشی،12(40).224-207. امین بیدختی علیاکبر، فتحیان بروجنی، محمد و نامنی، احمد. (1396). مدلی برای پیشبینی آسیبپذیری تحصیلی مقطع کارشناسی مبتنی بر شبکه عصبی. مدیریت و برنامه ریزی در نظام های آموزشی،10(1)، 102-81. زاهدبابلان، ع.؛ معینی کیا، م؛ و درخشانفرد، س. (1395). نقش آموزش الکترونیکی در نظام آموزش عالی و چالشهای پیش روی آن، اولین کنفرانس بینالمللی پژوهشهای نوین در حوزه علوم تربیتی و روانشناسی و مطالعات اجتماعی ایران، قم، دبیرخانه دائمی کنفرانس، موسسه بینالمللی مطالعات و توسعه علم خاورمیانه. امیر تیموری، محمدحسن و زارع، محمد. (1394). بارشناختی و چندرسانهای آموزشی، دانشگاه علامه طباطبایی. مقصودی بهروز؛ سلیمانی، صادق؛ امیری، علی و افشارچی، محسن. (1391). ارتقای کیفیت آموزش در سامانههای آموزش الکترونیکی با استفاده از داده کاوی آموزشی. فناوری آموزش، 6(4)، 286-227. نریمی سایی، ژاله و شادگار، بیتا. (1390). کاربرد تکنیکهای دادهکاوی در محیطهای آموزش الکترونیکی. مطالعات کتابداری و علم اطلاعات.18(7)، 3-1. Aldowah, H., Al-Samarraie, H., & Fauzy, W. M. (2019). Educational Data Mining and Learning Analytics for 21stcentury higher education: A Review and Synthesis. Telematics and Informatics. 37, 13-49. Hernández-Lara, A. B., Perera-Lluna, A., & Serradell-López, E. (2019). Applying learning analytics to students’ interaction in business simulation games. The usefulness of learning analytics to know what students really learn. Computers in Human Behavior, 92, 600-612. Nistor, N., & Hernández-Garcíac, Á. (2018). What types of data are used in learning analytics? An overview of six cases. Computers in Human Behavior, 89, 335-338. Schumacher, C., & Ifenthaler, D. (2018). Features students really expect from learning analytics. Computers in Human Behavior, 78, 397-407. Vieira, C., Parsons, P., & Byrd, V. (2018). Visual learning analytics of educational data: A systematic literature review and research agenda. Computers & Education, 122, 119-135. Asif, R., Merceron, A., Ali, S. A., & Haider, N. G. (2017). Analyzing undergraduate students' performance using educational data mining. Computers & Education, 113, 177-194. Hamsa, H., Indiradevi, S., & Kizhakkethottam, J. J. (2016). Student academic performance prediction model using decision tree and fuzzy genetic algorithm. Procedia Technology, 25, 326-332. Marbouti, F., Diefes-Dux, H. A., & Madhavan, K. (2016). Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education, 103, 1-15. Shahiri, A.M., & Husain, W. (2015). A review on predicting student's performance using data mining techniques. Procedia Computer Science, 72, 414-422. Brown, S. J., White, S., & Power, N. (2015). Tracking undergraduate student achievement in a first-year physiology course using a cluster analysis approach. Advances in physiology education, 39(4), 278-282. Cambruzzi, W. L., Rigo, S. J., & Barbosa, J. L. (2015). Dropout Prediction and Reduction in Distance Education Courses with the Learning Analytics Multitrail Approach. J. UCS, 21(1), 23-47. Caputi, V., & Garrido, A. (2015). Student-oriented planning of e-learning contents for Moodle. Journal of Network and Computer Applications, 53, 115-127. Campagni, R., Merlini, D., & Verri, M. C. (2014, April). An Analysis of Courses Evaluation Through Clustering. In International Conference on Computer Supported Education (pp. 211-224). He, W. (2013). Examining students’ online interaction in a live video streaming environment using data mining and text mining. Computers in Human Behavior, 29(1), 90-102. Van Barneveld, A., Arnold, K. E., & Campbell, J. P. (2012). Analytics in higher education: Establishing a common language. EDUCAUSE learning initiative, 1(1), l-ll. Ferguson, R., & Shum, S. B. (2012, April). Social learning analytics: five approaches. In Proceedings of the 2nd international conference on learning analytics and knowledge (pp. 23-33). ACM. Hevner, A., & Chatterjee, S. (2010). Design science research in information systems. In Design research in information systems (pp. 9-22). Springer, Boston, MA. Romero, C., & Ventura, S. (2010). Educational data mining: a review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601-618. Chen, C. M., & Chen, M. C. (2009). Mobile formative assessment tool based on data mining techniques for supporting web-based learning. Computers & Education, 52(1), 256-273. Romero, C., Ventura, S., & García, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computers & Education, 51(1), 368-384. Romero, C., & Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert systems with applications, 33(1), 135-146. Retalis, S., Papasalouros, A., Psaromiligkos, Y., Siscos, S., & Kargidis, T. (2006). Towards networked learning analytics–A concept and a tool. In Proceedings of the fifth international conference on networked learning, (pp. 1-8).
| ||
آمار تعداد مشاهده مقاله: 522 تعداد دریافت فایل اصل مقاله: 545 |