آرش خسروی - گروه مهندسی کامپیوتر، دانشکده مهندسی، مرکز آموزش عالی محلات، محلات، ایران.
هادی عبدالمالکی - گروه مهندسی کامپیوتر، دانشکده برق، کامپیوتر و مهندسی پزشکی، موسسه آموزش عالی شهاب دانش، قم، ایران.
مهری فیاضی - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران.

داده کاوی آموزشی در چند سال اخیر بسیار مورد توجه قرار گرفته است. مراکز و موسسات آموزشی دارای حجم زیادی از اطلاعات دانشجویان هستند که می تواند به عنوان ابزاری برای ارتقا سطح کیفی آموزش مورد استفاده قرار گیرد. دانش استخراج شده به موسسات کمک می کند تا روش های تدریس، فرآیند یادگیری و تصمیم گیری های خود را بهبود بخشند. هدف این پژوهش پیش بینی وضعیت تحصیلی دانشجویانی است که قرار است از مقطع کاردانی به مقطع کارشناسی ادامه تحصیل دهند. با توجه به اینکه وزارت علوم قصد دارد آزمون ورودی (کنکور) را حذف کند؛ دانشگاه ها با این مشکل مواجه خواهند شد که دانشجویان را براساس چه معیارهایی انتخاب کنند. در این پژوهش سعی بر آن است تا با استفاده از تکنیک های داده کاوی درخت تصمیم، نیو بیز، شبکه عصبی، ماشین بردار پشتیبان، جنگل تصادفی، Bagging و Boosting اطلاعات آموزشی دانشجویان تازه وارد تحلیل شود و با مقایسه آن ها با اطلاعات دانشجویان فارغ التحصیل، انصرافی و اخراجی مقطع کارشناسی، روشی برای انتخاب بهتر دانشجویان ارائه کند. با توجه به نتایج این تحقیق، جنگل تصادفی با ۲۸/۹۲% بیشترین دقت و نیو بیز با ۰۹/۶۱% کمترین دقت پیش بینی را دارند.[۱]. Educational data mining

داده کاوی, داده های آموزشی و پذیرشی, وضعیت تحصیلی دانشجویان, طبقه بندی, یادگیری ماشین