تعیین عوامل تاثیرگذار در آموزش مهندسی و پیش بینی افزایش سنوات تحصیلی با رویکرد تصمیم گیری چند معیاره و داده کاوی (شبکه عصبی مصنوعی)
Publish place: Iranian Journal of Engineering Education، Vol: 24، Issue: 93
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 158
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JEE-24-93_003
تاریخ نمایه سازی: 29 تیر 1401
Abstract:
با توجه به نقش دانشگاه ها در آموزش مهندسی، بررسی وضعیت نظام آموزشی و نقاط قوت و ضعف آن به منظور بهبود فرآیند آموزش مهندسی ضرورت دارد. در این تحقیق عوامل موثر بر افزایش سنوات تحصیلی دانشجویان رشته های مهندسی و وضعیت دانشجویانی که در سنوات مجاز، تحصیل خودرا به اتمام نمی رسانند، بررسی شده است. در ابتدا شاخص های تاثیرگذار بر افزایش سنوات تحصیلی دانشجویان مهندسی شناسایی و با استفاده از فن AHP اولویت بندی شد. نتایج رتبه بندی نشان داد معدل دروس پایه، معدل دروس اصلی، معدل دروس عمومی، تعداد نیمسال های مشروطی، معدل دروس اختیاری و تعداد واحد افتاده از نظر خبرگان بیشترین تاثیر را بر افزایش سنوات تحصیلی دانشجویان مهندسی دارند. سپس به ارائه الگویی برای پیش بینی افزایش سنوات تحصیلی با توجه به وضعیت تحصیلی دانشجویان رشته های مهندسی با استفاده از شبکه عصبی مصنوعی پرداخته شد. براساس نتایج شبکه عصبی عوامل تعداد واحد های افتاده، معدل دروس اصلی، معدل دروس پایه، تعداد نیمسال های مشروطی، مدت تاهل و میانگین معدل دروس ریاضی و فیزیک دبیرستان بیشترین اثرگذاری را بر افزایش سنوات تحصیلی دارند. در نهایت با مقایسه نتایج حاصل از روش AHP و شبکه عصبی، عامل های معدل دروس پایه و اصلی، تعداد نیمسال های مشروطی و تعداد واحدهای افتاده در هر دو روش عوامل با تاثیرگذاری بیشتر شناخته شدند که در حین تحصیل دانشجویان رشته های مهندسی باید توجه بیشتری به آنها شود.
Keywords:
Authors
محمد رضا شهرکی
گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه سیستان و بلوچستان، زاهدان، ایران
فاطمه حقانی
گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه سیستان و بلوچستان، زاهدان، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :