کاربردداده کاوی برروی داده های آموزش عالی دانشجویان دانشکده دندانپزشکی شهررشت بااستفاده ازتکنیکهای طبقه بندی وخوشه بندی
Publish place: First National Conference on Advances in computer science and information retrieval approaches
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,228
This Paper With 10 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:
BPJ01_044
تاریخ نمایه سازی: 29 دی 1392
Abstract:
هدف بررسی اطلاعات اموزشی دانش اموختگان رشته دندانپزشکی بین سالهای 1375تا1390 وبدست اوردن مدلی جهت پیش بینی دانشجویان ممتاز قوی و دانشجویان تحت ریسک مشروطی ضعیف و عوامل موثربرنمرات ورفتاراموزشی آنها است داده کاوی داده ها با استفاده ازیک فرایند چندمرحله ای بنام CRIPS صورت گرفت دراین تحقیق ازمدل CHAID برای پیش بینی ازطریق طبقه بندی و مدلهای Two-Step ی K-Means برای خوشه بندیاستفاده گردید نتایج این مطالعه نشانداد فیلدهای جنس سن سهیمه معدل کل تعدادترم مشروطی و فیلدPASS درخوشه بندی بعنوان فیلدهای بااهمیت بدست امدند مدل TWO-step بهتر ازk-means شناخته شده وچهارخوشه شامل خوشه 1بهداشتکاران خوشه 2دانشجویان متوسط با100درصد جمعیت مردخوشه 3دانشجویان ضعیف و خوشه 4 دانشجویان قوی تولید نمود هردومدل دررابطه باخوشه بندی دانشجویان متوسط ضعیف عمل نمودند مدل chaid درتکنیک طبقه بندی برای پیش بینی دانشجویان قوی ممتاز دانشجویان ممتاز ودانشجویان ضعیف قوانینی بادرصد صحت بالا تولید نمود داده کاوی اموزش نشان داد که ازمدل chaid درتکنیک طبقه بندیجهت پیش بینی دانشجویان ضعیف و قوی و دانشجویانی که درخطرمشروطی هستند و ازمدل two-step میتوان درتکنیک خوشه بندی جهت بررسی داده ها و رفتاردانشجویان برای بهبود کیفیت و برنامه ریزی استراتژیک اموزشی استفاده نمود
Keywords:
Authors
علی زواره
کارشناس ارشدمدیریت فناوری اطلاعات
امیر کوچکی
مدرس سازمان فنی حرفه ای شهررشت
علی رهنمارودپشتی
مدرس دانشگاه جامع علمی کاربردی رشت
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 :