آمار

تعداد نشریات11
تعداد شماره‌ها237
تعداد مقالات2,398
تعداد مشاهده مقاله3,830,612
تعداد دریافت فایل اصل مقاله2,775,223
کوشا, حمیدرضا, دنگ کوب, ثناء, برزنونی, امیرعباس. (1397). کاربرد فنون داده‌کاوی برای پیش‌بینی وضعیت سلامت روان دانشجویان با هدف بهبود وضعیت آموزش. فناوری آموزش, 13(1), 49-62. doi: 10.22061/jte.2018.3075.1779
حمیدرضا کوشا; ثناء دنگ کوب; امیرعباس برزنونی. "کاربرد فنون داده‌کاوی برای پیش‌بینی وضعیت سلامت روان دانشجویان با هدف بهبود وضعیت آموزش". فناوری آموزش, 13, 1, 1397, 49-62. doi: 10.22061/jte.2018.3075.1779
کوشا, حمیدرضا, دنگ کوب, ثناء, برزنونی, امیرعباس. (1397). 'کاربرد فنون داده‌کاوی برای پیش‌بینی وضعیت سلامت روان دانشجویان با هدف بهبود وضعیت آموزش', فناوری آموزش, 13(1), pp. 49-62. doi: 10.22061/jte.2018.3075.1779
کوشا, حمیدرضا, دنگ کوب, ثناء, برزنونی, امیرعباس. کاربرد فنون داده‌کاوی برای پیش‌بینی وضعیت سلامت روان دانشجویان با هدف بهبود وضعیت آموزش. فناوری آموزش, 1397; 13(1): 49-62. doi: 10.22061/jte.2018.3075.1779

کاربرد فنون داده‌کاوی برای پیش‌بینی وضعیت سلامت روان دانشجویان با هدف بهبود وضعیت آموزش

فناوری آموزش
مقاله 5، دوره 13، شماره 1 - شماره پیاپی 49، دی 1397، صفحه 49-62    اصل مقاله (855.92 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jte.2018.3075.1779
نویسندگان
حمیدرضا کوشا* 1؛ ثناء دنگ کوب2؛ امیرعباس برزنونی2
1گروه آموزشی مهندسی صنایع، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
2گروه آموزشی مهندسی صنایع، دانشکده مهندسی صنایع و مدیریت، دانشگاه صنعتی سجاد، مشهد، ایران
تاریخ دریافت: 18 اردیبهشت 1397،  تاریخ بازنگری: 02 آبان 1397،  تاریخ پذیرش: 05 آبان 1397 
چکیده
پیشینه و اهداف: داده‌ مربوط به سلامت روان دانشجویان چندین سال است که در سیستم‌های اطلاعاتی دانشگاه‌های سراسر کشور ثبت می‌شود و به علت حجم بالای آن روش‌های معمول آماری و روان‌کاوی برای پیش‌بینی الگوها و عوامل مؤثر بر سلامت روان دانشجویان کارایی لازم را ندارد. این‌جاست که فن داده‌کاوی مفید واقع شده و کمک می‌کند بر اساس مجموعه داده ثبت‌شده از وضعیت جسمانی و به‌خصوص روانی دانشجویان، آن‌هایی که در معرض ریسک بالا هستند، پیش‌بینی و شناسایی شده و تصمیم‌گیری‌های مناسب و به‌هنگام برای بهبود وضعیت دانشجویان اتخاذ گردد. بهبود عملکرد دانشجویان همواره یکی از مهم‌ترین اهداف مسئولان و مدیران دانشگاه‌ها و مراکز آموزشی به شمار می‌رود. عوامل متعددی بر عملکرد مناسب دانشجویان تأثیرگذار است. علاوه بر عواملی که در حوزه آموزش و یادگیری دانشجویان است، موضوع سلامت جسمانی و روانی نیز بر نحوه عملکرد آن‌ها تأثیر می‌گذارد. به منظور تصمیم‌گیری به‌موقع و متناسب با وضعیت روانی هر دانشجو نیاز است الگوهایی در دسترس باشد تا بتوان بر اساس آن‌ها وضعیت بهداشت روان هر دانشجو پیش‌بینی شود. در این پژوهش تلاش شده با به‌کارگیری فن داده‌کاوی، وضعیت دانشجویان ورودی جدید دانشگاه، از لحاظ نیاز به مراجعه به مشاوره مورد بررسی قرار گیرد و الگوهای پنهان نهفته در مجموعه داده پایش سلامت روان دانشجویان با به‌کارگیری فنون رویکرد طبقه‌بندی استخراج گردد.
روش ها: فنون استفاده‌شده در این پژوهش، شامل درخت تصمیم‌، طبقه‌بندی بر اساس قانون، شبکه‌های عصبی، رگرسیون لجستیک و ماشین بردار پشتیبان می‌باشد. برای تمامی پارامترهای فنون مذکور، تنظیم انجام شده و نشان‌دهنده علائم نیاز به مشاوره با نرخ صحت 99% می‌باشد.
یافته‌ها: نتایج پژوهش نشان داد: می‌توان بر اساس مدل تدوین شده، وضعیت سلامت روانی دانشجویان را پیش بینی نمود. یکی از خروجی‌های کاربرد روش درخت تصمیم، این است که اگر فردی از یک ماه گذشته تا به امروز شدیداً، احساس ناامیدی ‌کند، یا به نظر اطرافیانش فردی وسواسی باشد یا احساس کند زندگی برایش بی‌ارزش است به مشاوره احتیاج دارد.
نتیجه‌گیری: با توجه به این که اکثر پژوهش‌های موجود در زمینه داده‌کاوی سلامت، تمرکز بر سلامت جسمانی  داشته‌اند، پیشنهاد می‌شود برای مطالعات آتی تمامی سطوح سلامت یعنی ابعاد سلامت دانشجویان شامل سلامت جسمانی، اجتماعی و معنوی و هم‌چنین ترکیبی از این ابعاد مورد بررسی قرار گیرد. علاوه‌ بر این مطالعه‌ای مروری بر روی انواع رویکردها و فنون مناسب برای مجموعه‌ داده‌های روان‌شناسی با هدف ایجاد یک تقسیم‌بندی مناسب برای فنون موجود در این حوزه انجام شود؛ هم‌چنین پیشنهاد می‌شود، مجموعه داده حاضر و یا مجموعه‌ داده‌های مشابه (اطلاعات پایش سلامت دانشجویان) با فنون دیگر طبقه‌بندی مورد بررسی قرار گرفته و نتایج حاصل با نتایج پژوهش حاضر مقایسه گردد. به طور کلی پیشنهاد می‌شود از فن داده‌کاوی برای استخراج الگوهای پنهان در مجموعه داده سلامت روان دانش‌آموزان مدارس در مقاطع تحصیلی متفاوت، کارمندان ادارات و سازمان‌ها استفاده گردد. در نهایت توصیه می‌گردد پژوهش‌های آتی در این زمینه ابتدا رویکرد خوشه‌بندی را بر روی مجموعه داده روان‌شناسی پیاده کنند و به دنبال آن از رویکردهای طبقه‌بندی و پیش‌بینی استفاده نمایند.
کلیدواژه‌ها
داده‌کاوی؛ رویکرد طبقه‌بندی؛ پیش‌بینی؛ سلامت روانی؛ علائم نیاز به مشاوره
موضوعات
داده کاوری
عنوان مقاله [English]
Application of data mining techniques to predict students' mental health status to improve educational performance
نویسندگان [English]
H. Koosha1؛ S. Dangkoub2؛ A. Barzanooni2
1DDepartment of Industrial Engineering, Ferdowsi University of Mashhad, Iran
2Department of Industrial Engineering and management, Sadjad University of Technology, Mashhad, Iran
چکیده [English]
Background and Objective: Student mental health data has been recorded in the information systems of the universities across the country for several years, and due to its high volume, conventional statistical and psychoanalytic methods to predict patterns and factors affecting students' mental health are not effective. This is where data mining technology comes in handy and helps to predict and identify those at high risk based on the recorded data set of students 'physical and especially mental health status, and to make appropriate and timely decisions to improve students' condition. One of the main objectives of every managers of educational centers is making improvements in students’ educational performance. Besides the educational factors, physical and mental health is considerable which has a significant effect on students’ behavior. Therefore, some rules and patterns are required to make the best decisions, based on the prediction of students’ mental health state. This paper proposes a data mining approach for analyzing and extracting patterns in terms of new students’ mental health, which means whether they need to visit a psychologist. Our effort was on extracting hidden rules in new students’ mental health examination by employing classification approach.
Methods:Techniques used in this study are decision tree, rule based classifier, neural network, logistic regression and support vector machine. Moreover, a parameter tuning process is done for all the techniques mentioned and the results presents the list of symptoms of individuals who need detailed examination.
Findings:The results of the research represent that one can predict the status of students’ mental helath based on propsed model. One of the outcomes of decision tree is that if a person severely feels disappointed or seems to be obsessive by others, or feels that life is worthless, definitely a consultaion is needed.
Conclusion: Considering that most of the existing research in the field of health data mining have focused on physical health, it is suggested that for future studies, all levels of health, i.e dimensions of students' health, including physical, social and spiritual health, as well as a combination of these dimensions be considered. In addition, a review of the various approaches and techniques appropriate to the psychological data set should be conducted with the aim of creating an appropriate classification for the existing techniques in this field. It is also suggested that the present data set or similar data sets (student health monitoring information) be examined with other classification techniques and the results be compared with the results of the present study. In general, it is suggested that data mining technology be used to extract hidden patterns in the mental health data set of school students at different levels of education, office workers and organizations. Finally, it is recommended that future research in this field first implement the clustering approach on the psychological data set and then use the classification and forecasting approaches.

کلیدواژه‌ها [English]
Data mining, Classification approach, Prediction, Mental health, Detailed examination requirement
مراجع

[1] Costa EB, Fonseca B, Santana MA, de Araújo FF, Rego J. Evaluating the effectiveness of educational data mining techniques for early prediction of students' academic failure in introductory programming courses. Computers in Human Behavior. 2017; 73: 247-256.

[2] Angeli C, Howard SK, Ma J, Yang J, Kirschner PA. Data mining in educational technology classroom research: Can it make a contribution. Computers & Education. 2017; 113: 226-242.

[3] Bali RK. (Ed.). Clinical knowledge management: opportunities and challenges. IGI Global. Published in the United State of America by Idea Group Publishing; 2005.

[4] Moghadasi H, Hosseini A, Asadi F, Jahanbakhsh M. Data mining and health care. Health Information Management Journal. 2010; 9(2): 297-304. Persian.

[5] Asif R, Merceron A, Ali SA, Haider NG. Analyzing undergraduate students' performance using educational data mining. Computers & Education. 2017; 113: 177-194. ‏

[6] Bhardwaj BK, Pal S. Data Mining: A prediction for performance improvement using classification. arXiv preprint arXiv. 2012; 1201: 34-18.‏

[7] Alfiani AP, Wulandari FA. Mapping Student's Performance Based on Data Mining Approach (A Case Study). Agriculture and Agricultural Science Procedia. 2015; 3: 173-177.‏

[8] Ilayaraja M, Meyyappan T. Efficient Data Mining Method to Predict the Risk of Heart Diseases through Frequent Itemsets. Procedia Computer Science. 2015; 70: 586-592.‏

[9] Chang CL. A study of applying data mining to early intervention for developmentally-delayed children. Expert Systems with Applications. 2007; 33(2): 407-412.

[10] Choo C, Diederich J, Song I, Ho R. Cluster analysis reveals risk factors for repeated suicide attempts in a multi-ethnic Asian population. Asian Journal of Psychiatry. 2014; 8: 38-42.‏

[11] Paramasivam, V, Yee TS, Dhillon SK, Sidhu AS. A methodological review of data mining techniques in predictive medicine: An application in hemodynamic prediction for abdominal aortic aneurysm disease. Biocybernetics and Biomedical Engineering. 2014; 34(3): 139-145.‏

[12] Torkestani MS, Dehpanah A, Taghavifard MT, Shafee SH. A framework for modifying the insurance rate in automobile industry by Neural Network (case: Asia insurance company). Journal of Information Technology Management. 2015; 8(4):711-732. Persian.

[13] Larose, D. T. (2014). Discovering knowledge in data: an introduction to data mining. John Wiley & Sons.

[14] Burgos, C., Campanario, M. L., de la Pena, D., Lara, J. A., Lizcano, D., & Martínez, M. A. (2018). Data mining for modeling students’ performance: A tutoring action plan to prevent academic dropout. Computers & Electrical Engineering, 66, 541-556.

 [15] Ahmed ABED, Elaraby IS. Data Mining: A prediction for Student's Performance Using Classification Method. World Journal of Computer Application and Technology. 2014; 2(2): 43-47.

[16] Natek S, Zwilling M. Student data mining solution–knowledge management system related to higher education institutions. Expert Systems with Applications. 2014; 41(14), 6400-6407.

[17] Peral J, Maté A, Marco M. Application of Data Mining techniques to identify relevant Key Performance Indicators. Computer Standards & Interfaces. 2017; 50: 55-64.

[18] Ahmed AM, Rizaner A, Ulusoy AH. (2016). Using data mining to predict instructor performance. Procedia Computer Science. 2016; 102: 137-142.

[19] Gobert JD, Kim YJ, Sao Pedro MA, Kennedy M,  Betts CG. Using educational data mining to assess students’ skills at designing and conducting experiments within a complex systems microworld. Thinking Skills and Creativity. 2015; 18: 81-90.

[20] Kaur P, Singh M, JosanG.S. Classification and prediction based data mining algorithms to predict slow learners in education sector. Procedia Computer Science. 2015; 57: 500-508.

[21] Diederich J, Al-Ajmi A, Yellowlees P. E x-ray: data mining and mental health. Applied Soft Computing. 2007; 7(3): 923-928.‏

[22] Fernández-Arteaga V, Tovilla-Zárate CA, Fresán A, González-Castro TB, Juárez-Rojop IE, López-Narváez L, Hernández-Díaz Y. Association between completed suicide and environmental temperature in a Mexican population, using the Knowledge Discovery in Database approach. Computer Methods and Programs in Biomedicine. 2016; 135: 219-224.

[23] Aljumah AA, Ahamad MG, Siddiqui MK. Application of data mining: Diabetes health care in young and old patients. Journal of King Saud University-Computer and Information Sciences. 2013; 25(2): 127-136.

[24] Ramanan S, de Souza LC, Moreau N, Sarazin M, Teixeira AL, Allen Z, Bertoux M. Determinants of theory of mind performance in Alzheimer's disease: A data-mining study. Cortex. 2017; 88: 8-18.

[25] Nguyên XL, Chaskalovic J, Rakotonanahary D, Fleury B. Insomnia symptoms and CPAP compliance in OSAS patients: A descriptive study using Data Mining methods. Sleep Medicine. 2010; 11(8): 777-784.‏

[26] Kavakiotis I, Tsave O, Salifoglou A, Maglaveras N, Vlahavas I, Chouvarda I. (2017). Machine learning and data mining methods in diabetes research. Computational and Structural Biotechnology Journal. 2017; 15: 104-116.‏

[27] Ni H, Yang X, Fang C, Guo Y, Xu M, He Y. (2014). Data mining-based study on sub-mentally healthy state among residents in eight provinces and cities in China. Journal of Traditional Chinese Medicine. 2014; 34(4): 511-517.‏

[28] Rostami M, Ayat SS, Saghari F, Yaghoobi F. (2014). Prediction of educational progress with fuzzy clustering in educational centers. Journal of Educational Technology. 2014; 10(1), 23-36. Persian.

[29] Maghsoodi B, Soleilmani S, Amiri A, Afsharchi M. Improvement in the quality of electronic educational systems using educational data maining. Journal of Educational Technology. 2012; 6(4): 277-286. Persian.

[30] Kohavi R, Quinlan JR. Data mining tasks and methods: Classification: decision-tree discovery. Willi Klösgen, Willi Klosgen, Jan M. Żytkow, (Eds), In Handbook of data mining and knowledge discovery (pp. 267-276). Oxford University Press, Inc; 2002.

آمار
تعداد مشاهده مقاله: 2,496
تعداد دریافت فایل اصل مقاله: 1,517


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب