تعیین عوامل تاثیرگذار در آموزش مهندسی و پیش بینی افزایش سنوات تحصیلی با رویکرد تصمیم گیری چند معیاره و داده کاوی (شبکه عصبی مصنوعی)

 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:

آموزش مهندسی , پیش بینی , سنوات تحصیلی , AHP , شبکه عصبی مصنوعی , دانشگاه