آمار

تعداد نشریات15
تعداد شماره‌ها244
تعداد مقالات2,485
تعداد مشاهده مقاله4,320,409
تعداد دریافت فایل اصل مقاله3,185,491
ضیافت, حسن, آذری آرانی, قاسم. (1405). بهبود دقت پیش‌بینی افت و موفقیت تحصیلی دانشجویان بر پایه بهره‌وری از شبکه‌های عصبی پیش‌خور عمیق. فناوری آموزش, 20(2), 271-286. doi: 10.22061/tej.2026.12612.3316
حسن ضیافت; قاسم آذری آرانی. "بهبود دقت پیش‌بینی افت و موفقیت تحصیلی دانشجویان بر پایه بهره‌وری از شبکه‌های عصبی پیش‌خور عمیق". فناوری آموزش, 20, 2, 1405, 271-286. doi: 10.22061/tej.2026.12612.3316
ضیافت, حسن, آذری آرانی, قاسم. (1405). 'بهبود دقت پیش‌بینی افت و موفقیت تحصیلی دانشجویان بر پایه بهره‌وری از شبکه‌های عصبی پیش‌خور عمیق', فناوری آموزش, 20(2), pp. 271-286. doi: 10.22061/tej.2026.12612.3316
ضیافت, حسن, آذری آرانی, قاسم. بهبود دقت پیش‌بینی افت و موفقیت تحصیلی دانشجویان بر پایه بهره‌وری از شبکه‌های عصبی پیش‌خور عمیق. فناوری آموزش, 1405; 20(2): 271-286. doi: 10.22061/tej.2026.12612.3316

بهبود دقت پیش‌بینی افت و موفقیت تحصیلی دانشجویان بر پایه بهره‌وری از شبکه‌های عصبی پیش‌خور عمیق

فناوری آموزش
مقاله 5، دوره 20، شماره 2 - شماره پیاپی 79، فروردین 1405، صفحه 271-286    اصل مقاله (1.03 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/tej.2026.12612.3316
نویسندگان
حسن ضیافت* 1؛ قاسم آذری آرانی2
1گروه مهندسی کامپیوتر، واحد نطنز، دانشگاه آزاد اسلامی، نطنز، ایران
2گروه آموزشی مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه ملی مهارت، تهران، ایران
تاریخ دریافت: 21 شهریور 1404،  تاریخ بازنگری: 23 آذر 1404،  تاریخ پذیرش: 10 بهمن 1404 
چکیده
پیشینه و اهداف: داده‌کاوی آموزشی به‌عنوان یکی از حوزه‌های نوین و میان‌رشته‌ای، نقش مهمی در تحلیل رفتار فراگیران، شناسایی عوامل مؤثر بر موفقیت یا افت تحصیلی و پشتیبانی از تصمیم‌گیری‌های آموزشی ایفا می‌کند. با رشد سامانه‌های آموزش الکترونیکی و افزایش حجم داده‌های آموزشی، نیاز به روش‌های هوشمند برای استخراج دانش نهفته در این داده‌ها بیش‌ازپیش احساس می‌شود. روش‌های سنتی یادگیری ماشین، هرچند در بسیاری از پژوهش‌ها به کار گرفته شده‌اند، اما در مواجهه با داده‌های پیچیده، غیرخطی و چندبعدی آموزشی با محدودیت‌هایی از نظر دقت و قدرت تعمیم‌پذیری روبه‌رو هستند. در این میان، مدل‌های مبتنی بر یادگیری عمیق و شبکه‌های عصبی مصنوعی به دلیل توانایی بالا در مدل‌سازی روابط پیچیده، توجه پژوهشگران را به خود جلب کرده‌اند. هدف اصلی این پژوهش، توسعه و ارزیابی یک مدل ترکیبی هوشمند مبتنی بر شبکه‌های عصبی پیش‌خور شامل شبکه عصبی مصنوعی، شبکه یادگیری با سرعت بالا (ELM) و شبکه پرسپترون چندلایه به همراه روش‌های پیشرفته انتخاب ویژگی است تا ضمن شناسایی متغیرهای کلیدی مؤثر بر عملکرد تحصیلی دانشجویان، دقت پیش‌بینی وضعیت تحصیلی آنان به طور معناداری افزایش یابد.
روش‌ها‌: در این مطالعه، مجموعه‌ای جامع از داده‌های آموزشی شامل اطلاعات دموگرافیک، اجتماعی- اقتصادی، وضعیت ثبت‌نام، سوابق آموزشی و نمرات تحصیلی دانشجویان مورداستفاده قرار گرفت. داده‌ها از سامانه‌های آموزشی دانشگاهی و همچنین مجموعه‌داده‌های عمومی معتبر گردآوری شدند. پس از انجام پیش‌پردازش‌های لازم از جمله پاک‌سازی داده‌ها، مدیریت مقادیر گمشده و نرمال‌سازی ویژگی‌ها، فرایند انتخاب ویژگی با استفاده از سه روش MRMR، Chi-square و ReliefF انجام شد. سپس سه شبکه عصبی ANN، ELM و MLP با استفاده از ۹۰ درصد داده‌ها آموزش داده شدند و ۱۰ درصد باقی‌مانده برای آزمون و اعتبارسنجی مدل‌ها مورداستفاده قرار گرفت. در نهایت، خروجی شبکه‌ها با بهره‌گیری از روش رأی‌گیری اکثریت به‌صورت یک مدل ترکیبی ادغام شد. عملکرد مدل پیشنهادی با استفاده از معیارهای استاندارد دقت، صحت، فراخوانی و معیار F ارزیابی گردید.
یافته‌ها: نتایج حاصل از آزمایش‌ها نشان داد که روش ReliefF در مقایسه با سایر روش‌های انتخاب ویژگی، عملکرد بهتری در شناسایی ویژگی‌های مؤثر دارد. با استفاده از ۲۰ ویژگی برتر استخراج‌شده توسط این روش، مدل ترکیبی پیشنهادی به‌دقت ۸۱.۴۴ درصد و مقدار F برابر با ۰۹/۷۲ درصد دست‌یافت. در بررسی عملکرد شبکه‌های عصبی به‌صورت مستقل، شبکه ELM بهترین نتیجه را بادقت ۸/۸۲ درصد ارائه کرد که به طور متوسط ۲ تا ۴ درصد بالاتر از ANN و MLP بود. علاوه بر این، مقایسه مدل پیشنهادی با روش‌های سنتی یادگیری ماشین نشان داد که مدل ترکیبی شبکه‌های عصبی توانسته است دقت پیش‌بینی را بیش از ۷ درصد و دقت طبقه‌بندی را بیش از ۴ درصد بهبود بخشد که بیانگر برتری معنادار رویکرد پیشنهادی است.
کلیدواژه‌ها
پیش‌بینی وضعیت تحصیلی؛ داده‌کاوی آموزشی؛ ماشین یادگیری افراطی؛ الگوریتم Relief
موضوعات
یادگیری الکترونیکی
عنوان مقاله [English]
Improving the accuracy of predicting students' academic success and failure based on the efficiency of deep feedforward neural networks
نویسندگان [English]
H. Ziafat1؛ Gh. Azariarani2
1Department of Computer Engineering, Nat. C., Islamic Azad University, Natanz, Iran
2Department of Computer Engineering, Faculty of Electrical and Computer Engineering, Technical and Vocational University, (TVU), Tehran, Iran
چکیده [English]
Background and Objective:
Educational data mining, as a modern and interdisciplinary field, plays a crucial role in analyzing learners’ behavior, identifying factors influencing academic success or failure, and supporting educational decision-making. With the growth of e-learning systems and the increasing volume of educational data, the need for intelligent methods to extract hidden knowledge from these data has become more pronounced. Although traditional machine learning methods have been widely used in numerous studies, they face limitations in terms of accuracy and generalization capability when dealing with complex, nonlinear, and high-dimensional educational data. In this context, deep learning–based models and artificial neural networks have attracted significant attention due to their strong ability to model complex relationships. The main objective of this study is to develop and evaluate an intelligent hybrid model based on feedforward neural networks, including Artificial Neural Networks (ANN), Extreme Learning Machines (ELM), and Multilayer Perceptron (MLP), combined with advanced feature selection methods, to identify key variables affecting students’ academic performance and significantly improve the accuracy of academic status prediction.
Methods:
In this study, a comprehensive set of educational data was utilized, including demographic, socio-economic, enrollment-related information, educational records, and students’ academic grades. The data were collected from university educational systems as well as reputable public datasets. After performing necessary preprocessing steps such as data cleaning, handling missing values, and feature normalization, the feature selection process was carried out using three methods: MRMR, Chi-square, and ReliefF. Subsequently, the three neural networks—ANN, ELM, and MLP—were trained using 90% of the data, while the remaining 10% was used for testing and model validation. Finally, the outputs of the networks were integrated into a hybrid model using a majority voting strategy. The performance of the proposed model was evaluated using standard metrics, including accuracy, precision, recall, and the F-measure.
Findings:
The experimental results demonstrated that the ReliefF method outperformed the other feature selection techniques in identifying influential features. Using the top 20 features selected by this method, the proposed hybrid model achieved an accuracy of 81.44% and an F-measure of 72.09%. In the evaluation of individual neural networks, the ELM model exhibited the best performance with an accuracy of 82.8%, which was on average 2–4% higher than that of ANN and MLP. Moreover, comparison with traditional machine learning approaches revealed that the hybrid neural network model improved prediction accuracy by more than 7% and classification accuracy by over 4%, indicating the significant superiority of the proposed approach.
Conclusion: The findings of this study indicate that combining feedforward neural networks with appropriate feature selection methods provides an efficient and reliable approach for predicting students’ academic status. The proposed model can serve as an intelligent decision-support tool in educational systems to enable early identification of students at risk of academic failure. Future research may focus on incorporating attention mechanisms, more advanced feature selection techniques, deeper learning models, and larger and more diverse datasets to further enhance the accuracy and generalizability of the model.
کلیدواژه‌ها [English]
Academic Performance Prediction, Educational Data Mining, Extreme Learning Machine, Relief Feature Selection
مراجع
[1] Shorfuzzaman M, Hossain MS, Nazir A, Muhammad G, Alamri A. Harnessing the power of big data analytics in the cloud to support learning analytics in mobile learning environment. Comput Human Behav. 2019;92:578–88.

doi: 10.1016/j.chb.2018.07.002.

[2] Capuano N, Toti D. Experimentation of a smart learning system for law based on knowledge discovery and cognitive computing. Comput Human Behav. 2019;92:459–67.

doi: 10.1016/j.chb.2018.03.034.

[3] Viberg O, Hatakka M, Bälter O, Mavroudi A. The current landscape of learning analytics in higher education. Comput Human Behav. 2018;89:98–110.

doi: 10.1016/j.chb.2018.07.027.

[4] Waheed H, Hassan SU, Aljohani NR, Hardman J, Alelyani S, Nawaz R. Predicting academic performance of students from VLE big data using deep learning models. Comput Human Behav. 2020;104:106189. doi: 10.1016/j.chb.2019.106189.

[5] Bernacki ML, Chavez MM, Uesbeck PM. Predicting achievement and providing support before STEM majors begin to fail. Comput Educ. 2020;158:103999.

doi: 10.1016/j.compedu.2020.103999.

[6] Batool S, Rashid J, Nisar MW, Kim J, Kwon HY, Hussain A. Educational data mining to predict students’ academic performance: a survey study. Educ Inf Technol. 2023;28(1):905–71. doi: 10.1007/s10639-022-11152-y.

[7] Yağcı M. Educational data mining: prediction of students’ academic performance using machine learning algorithms. Smart Learn Environ. 2022;9:11.

doi: 10.1186/s40561-022-00192-z.

[8] Zhou H, Shen S, Su Y, Miao Y, Liu Q, Zhu L, et al. LLM-EPSP: large language model empowered early prediction of student performance. Inf Process Manag. 2026;63(1):104351.

doi: 10.1016/j.ipm.2025.104351.

[9] Eriyandi V, Ahmad AN. A comparative machine learning and deep learning models with ElasticNet regularization for predicting student outcomes: LGBM, CatBoost, ANN, DNN, and WDNN. Int J Adv Comput Inform. 2026;2(2):96–107.

doi: 10.71129/ijaci.v2i2.pp96-107.

[10] Zhao S, Zhou D, Wang H, Chen D, Yu L. Enhancing student academic success prediction through ensemble learning and image-based behavioral data transformation. Appl Sci. 2025;15(3):1231. doi: 10.3390/app15031231.

[11] Jalota C, Agrawal R. Analysis of educational data mining using classification. In: Proceedings of the 2019 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon); 2019 Feb 14–16; Faridabad, India. IEEE; 2019. p. 243–7. doi: 10.1109/COMITCon.2019.8862214.

[12] Ndou N, Ajoodha R, Jadhav A. Educational data-mining to determine student success at higher education institutions. In: Proceedings of the 2020 2nd International Multidisciplinary Information Technology and Engineering Conference (IMITEC); 2020 Nov 25–27; Kimberley, South Africa. IEEE; 2020. p. 1–8.

doi: 10.1109/IMITEC50163.2020.9334139.

[13] Jaiswal G, Sharma A, Sarup R. Machine learning in higher education: predicting student attrition status using educational data mining. In: Solanki A, Kumar S, Nayyar A, editors. Handbook of research on emerging trends and applications of machine learning. Hershey (PA): IGI Global; 2020. p. 27–46.

doi: 10.4018/978-1-5225-9643-1.ch002.

[14] Wan Yaacob WF, Mohd Sobri N, Nasir SAM, Norshahidi ND, Wan Husin WZ. Predicting student drop-out in higher institution using data mining techniques. J Phys Conf Ser. 2020; 1496: 012005. doi: 10.1088/1742-6596/1496/1/012005.

[15] Zhang Y, Yun Y, An R, Cui J, Dai H, Shang X. Educational data mining techniques for student performance prediction: method review and comparison analysis. Front Psychol. 2021; 12: 698490. doi: 10.3389/fpsyg.2021.698490.

[16] Abiodun KM, Adeniyi EA, Aremu DR, Awotunde JB, Ogbuji E. Predicting students performance in examination using supervised data mining techniques. In: Misra S, Oluranti J, Damaševičius R, Maskeliūnas R, editors. Informatics and intelligent applications: proceedings of the First International Conference, ICIIA 2021. Cham: Springer; 2022. p. 63–77.

doi: 10.1007/978-3-030-95630-1_5.

[17] Al-Ashoor A, Abdullah S. Examining techniques to solving imbalanced datasets in educational data mining systems. Int J Comput. 2022;21(2):205–13. doi: 10.47839/ijc.21.2.2589.

[18] Liu C, Wang H, Du Y, Yuan Z. A predictive model for student achievement using spiking neural networks based on educational data. Appl Sci. 2022;12(8):3841.

doi: 10.3390/app12083841.

[19] Bin Roslan MH, Chen CJ. Educational data mining for student performance prediction: a systematic literature review (2015–2021). Int J Emerg Technol Learn. 2022;17(5):147–79.

doi: 10.3991/ijet.v17i05.27685.

[20] Amjad S, Younas M, Anwar M, Shaheen Q, Shiraz M, Gani A. Data mining techniques to analyze the impact of social media on academic performance of high school students. Wirel Commun Mob Comput. 2022;2022:9299115.

doi: 10.1155/2022/9299115.

[21] Verma U, Garg C, Bhushan M, Samant P, Kumar A, Negi A. Prediction of students’ academic performance using machine learning techniques. In: Proceedings of the 2022 International Mobile and Embedded Technology Conference (MECON); 2022 Mar 10–11; Noida, India. IEEE; 2022. p. 151–6.

doi: 10.1109/MECON53876.2022.9751956.

[22] Poudyal S, Mohammadi-Aragh MJ, Ball JE. Prediction of student academic performance using a hybrid 2D CNN model. Electronics. 2022;11(7):1005.

doi: 10.3390/electronics11071005.

[23] Keser SB, Aghalarova S. HELA: a novel hybrid ensemble learning algorithm for predicting academic performance of students. Educ Inf Technol. 2022;27:4521–52.

doi: 10.1007/s10639-021-10780-0.

[24] Wongvorachan T, He S, Bulut O. A comparison of undersampling, oversampling, and SMOTE methods for dealing with imbalanced classification in educational data mining. Information. 2023;14(1):54. doi: 10.3390/info14010054.

[25] Bin Roslan MH, Chen CJ. Predicting students’ performance in English and Mathematics using data mining techniques. Educ Inf Technol. 2023;28(2):1427–53.

doi: 10.1007/s10639-022-11259-2.

[26] Realinho V, Machado J, Baptista L, Martins MV. Predicting student dropout and academic success. Data. 2022;7(11):146.

doi: 10.3390/data7110146.

آمار
تعداد مشاهده مقاله: 386
تعداد دریافت فایل اصل مقاله: 39


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب