زهرا رمضانی – مرضیه قیاسی، گروه دانشگاه: سرعت پیشرفت علم و تکنولوژی به حدی بالا رفته که دنیای امروز را غیرقابل‌پیش‌بینی کرده است. 10 سال پیش این فکر به ذهن‌مان هم خطور نمی‌کرد که با یک کلیک و کمک‌گرفتن از یک هوش مصنوعی بتوانیم کاری را که چند ساعت زمان می‌برد، در چند دقیقه و با بهترین کیفیت انجام دهیم. ظهور هوش مصنوعی در قالب دستیار هوشمند تحولی بزرگ در تمامی عرصه‌ها را در پی داشت. این تحول موجب شده تا بتوانیم پیشرفت علم و فناوری را در جای‌جای زندگی لمس کنیم. از محیط آموزشی گرفته تا کف خیابان و درون خودروها؛ اما از آنجایی که محیط دانشگاه همواره بستری برای علم‌آموزی بوده، قطعا این حوزه در مسیر توسعه و پیشرفت نیز می‌تواند نقش اساسی ایفا کند. همچنین در محیط‌‌های آموزشی انبوهی از اطلاعات و داده‌های آموزشی وجود دارد که با تحلیل آنها می‌توان به روش‌های جدیدتری برای بهبود وضعیت آموزشی دانشجویان رسید. در همین راستا داده‌کاوی را باید یکی از روش‌های جدیدی برای تحلیل دادهها دانست که امروز در بسیاری از دانشگاههای خارج از کشور به‌عنوان ابزاری بهبود روند آموزشی دانشجویان مورد استفاده قرار می‌گیرد. درحقیقت این روش به استخراج الگوها و تحلیل دادهها در یک سازمان یا یک جامعه می‌پردازد و با پیش‌بینی وضعیت آینده به اصلاح مسیر کمک می‌کند.
روش جدید برای پیش‌بینی آینده تحصیلی دانشجویان
در دانشگاه‌ها پایگاه‌های اطلاعاتی متعددی وجود دارد که داده‌های مختلفی از حوزه جمعیت گرفته تا سوابق تحصیلی دانشجویان در آنها ذخیره می‌شود و این مراکز نیز با استفاده از داده‌کاوی به تجزیه و تحلیل این دادهها می‌پردازند تا از این طریق بتوانند تحلیلی از رفتارهای دانشجویان داشته باشند. به بیان دیگر این روش به دنبال کشف دانش و الگوهای موجود در داده‌های سیستم آموزشی بوده این امکان را میدهد تا براساس الگوهای موجود به راهکارهای مفیدی برای مقابله با مشکلات آموزشی و بهبود نظام آموزشی و نحوه ارائه دروس رسید. مقاله پژوهشی «ارزیابی الگوریتم‌های داده‌کاوی روی داده‌های آموزشی با استفاده از روش‌های تصمیم‌گیری چندمعیاره» نوشته محمد قدوسی، فاطمه میرسعیدی و حمیدرضا کوشا از گروه مهندسی صنایع دانشگاه تربت‌حیدریه داده‌کاوی آموزشی را از منظر روش‌های مورداستفاده به چند دسته قوانین انجمنی، خوشه‌بندی و دسته‌بندی، تقسیم‌بندی کرده که هرکدام از این تکنیک‌ها برای خود دارای الگوریتم‌های خاصی است و برای ارزیابی و تحلیل دادهها به‌کار می‌روند. تکنیک قوانین انجمنی یکی از مهم‌ترین تکنیک‌ها در داده‌کاوی محسوب می‌شود که براساس سیستم یادگیری الگوهای موجود را کشف و استخراج می‌کند. تکنیک خوشه‌بندی نیز نمونه‌ها را براساس ویژگی‌های آنها گروه‌بندی کرده و دادهها را به‌صورت بصری نمایش میدهد. تکنیک دسته‌بندی هم دادهها را در دسته‌های ازپیش تعریف‌شده قرار میدهد. البته روش‌های دیگری نیز در این زمینه وجود دارد که پژوهش «پیش‌بینی و تحلیل عملکرد دانشجویان به کمک تکنیک‌های داده‌کاوی به منظور بهبود عملکرد تحصیلی» که از سوی فاطمه میرسعیدی و محمد قدوسی اعضای گروه مهندسی صنایع دانشکده مهندسی دانشگاه تربت‌حیدریه و حمیدرضا کوشا عضو گروه مهندسی صنایع دانشگاه فردوسی مشهد منتشر شده به معرفی بهترین مدل‌ها در این زمینه می‌پردازد. نکته مهم در این میان آن است که در بررسی عملکرد مدل‌ها علاوه‌بر مولفه دقت و میزان خطا، میزان قابل‌اعتماد بدون، تعمیم‌پذیری و انعطاف‌پذیری مدل نیز اهمیت دارد. اما واقعیت آن است که هرچند هیچ‌کدام از این الگوریتم‌ها و مدل‌ها برتری نسبت به دیگری ندارد اما استفاده درست از آنها متناسب با حوزه مربوطه می‌تواند اثرگذاری بیشتری را در پی داشته باشد. به‌طور مثال اگر بخواهیم الگوهای رفتاری دانشجویان را بررسی کنیم برای خوشه‌بندی وضعیت تحصیلی دانشجویان بهتر است از الگوریتم نزدیک‌ترین همسایه و برای پیش‌بینی وضعیت تحصیلی آنان نیز از الگوریتم شبکه عصبی استفاده کرد. به همین دلیل برای شناسایی هر عامل موثر بر عملکرد دانشجویان از یک الگوریتم خاص استفاده می‌کنیم. برای نمونه برای پیش‌بینی انصراف دانشجویان از الگوریتم‌های تکنیک دسته‌بندی، پیش‌بینی آسیب‌پذیری دانشجویان از شبکه عصبی و شناسایی عوامل تاثیرگذار بر یادگیری استفاده از الگوی خوشه‌بندی توصیه می‌شود. یکی از مسائل مهم امروز در آموزش عالی دنیا روند همکاری و هماهنگی بین اساتید و دانشجویان است که برای بررسی این وضعیت می‌توان با استفاده از مدل قوانین انجمنی فرآیند برنامه‌ریزی تحصیلی را تغییر داده و با بهتر شدن شرایط آموزشی، رابطه میان این دو قشر اصلی جامعه دانشگاهی را بهبود بخشید. نکته جالب‌تر اینکه با استفاده از الگوریتم درخت تصمیم می‌توان به دانشجویانی که عملکرد ضعیفی در حوزه آموزشی دارند به‌موقع هشدارهای لازم را داده و از مشروطی آنها جلوگیری کرد.
مولفه‌هایی که داده‌کاوی را به بیراهه می‌برد
اتفاق قابل‌توجهی که از طریق داده کاوی رخ میدهد آن است که با استفاده از این روش امکان تحلیل حجم انبوه دادهها فراهم می‌شود و همین اتفاق نیز می‌تواند الگوهای پنهان در متغیرها را شناسایی کند، روندی که براساس آن مسئولان آموزشی دانشگاه‌ها می‌توانند عملکرد و معدل دانشجویان را پیش از موعد امتحانات پیش‌بینی کنند. در چنین شرایطی درصورتی‌که وضعیت دانشجویان قابل قبول نباشد زمان کافی برای برگزاری کلاس‌های جبرانی یا تغییر نحوه آموزش در راستای بالا بردن عملکرد آموزشی دانشجویان در اختیار مسئولان آموزشی دانشگاه‌ها قرار خواهد گرفت. در اصل نتایج حاصل از داده‌کاوی می‌تواند فرآیند آموزش و یادگیری را برای طراحی محیط آموزشی به‌خوبی بهبود ببخشد. شاید در نگاه اول داده‌کاوی چندان اهمیت نداشته باشد اما با توجه به افت تحصیلی که دانشجویان برخی از دانشگاه‌ها به دلایل مختلف و در برهه‌های متفاوت مانند کرونا پیدا می‌کنند که نتیجه آن نیز بالا رفتن احتمال مشروطی در میان این قشر است طبیعتا این روش جدید این امکان را فراهم می‌کند که با تشخیص و کمک‌رسانی به‌موقع از مشروط شدنش جلوگیری شود. یکی از مزیت‌های اصلی داده‌کاوی آن است که این بستر را فراهم می‌کند تا از نتایج آن بتوان به الگوهای یادگیری دانشجویان پی برد و با ملاک قرار دادن آنها مسیر تحصیلی درست‌تری را پیش روی آنها گذاشته و با کمک گرفتن از مشاوران به‌صورت صحیح سطح موفقیت آنها را افزایش داد. با وجود اینکه داده‌کاوی را باید یکی از میان‌برها برای ارتقای سطح کیفیت آموزشی دانشگاه‌ها به حساب آورد اما محدودیت‌هایی نیز در این مسیر وجود دارد؛ چراکه طبیعتا جمع‌آوری اطلاعات و تشکیل پایگاه داده زمان‌بر بوده و ممکن است شرایط خاص یک دانشجو نیز سبب ثبت داده‌های اشتباه در پایگاه‌های اطلاعاتی مربوطه شود و قطعا این مسئله می‌تواند منجر به به‌دست‌آمدن نتایج اشتباه و گمراه‌کننده شود. همچنین راهکارهایی که برای بهبود شرایط تحصیلی دانشجویان ارائه می‌شوند ممکن است در برهه زمانی خاصی برای اساتید و مسئولان امکان‌پذیر نباشند.
راه طولانی داده‌کاوی در دانشگاههای کشور
با وجود اینکه امروز دانشگاههای مطرح دنیا از روش داده‌کاوی برای پیش‌بینی آینده وضعیت تحصیلی و آموزشی استفاده می‌کنند اما این مسئله هنوز راه زیادی برای رسیدن به دانشگاههای کشور در پیش دارد. واقعیت آن است که یکی از دلایل ناکارآمدی سیستم آموزش عالی فعلی ایران، عدم توسعه و کاربرد فناوری اطلاعات و ارتباطات در آموزش است؛ چراکه مدیریت آموزشی بسیاری از دانشگاههای ایران، به سیستم‌های نامناسب و ضعیف دل بسته و این می‌تواند یکی از دلایل افت رتبه دانشگاه‌ها و نارضایتی بسیاری از دانشجویان باشد. متأسفانه سیستم مدیریت آموزشی دانشگاه‌ها از روش داده‌کاوی استفاده نمی‌کند و با توجه به اینکه دادهها به صورت کامل تحلیل نمی‌شوند، نمی‌توان از برخی اتفاقات نظیر مشروط شدن و افت تحصیلی دانشجویان به صورت صحیح پیشگیری کرد. این موضوع یک خلأ بزرگ در سیستم آموزشی محسوب می‌شود و باتوجه به تحقیقات کمی که برای کشف عوامل مؤثر بر عملکرد دانشجویان در ایران وجود دارد، قطعا تعریف پروژه‌ها روی پایگاه‌های اطلاعاتی دانشگاه‌ها برای پر کردن خلأ آموزشی ضروری است.
مشروطی در میان دانشجویان متأهل بالاتر از مجردها
با این حال انجام موردی داده‌کاوی در دانشگاه صنعتی شاهرود را باید یکی از اتفاقات مثبت در این زمینه دانست. کاری که نتایج آن در قالب پژوهش «تحلیل داده‌های آموزشی دانشجویان با هدف ارزیابی موفقیت تحصیلی با استفاده از رویکرد داده‌کاوی» از سوی علی‌اکبر حسنی، استادیار دانشکده مهندسی صنایع و مدیریت دانشگاه صنعتی شاهرود و مرتضی بذرافشان، استادیار دانشکده مهندسی صنایع دانشگاه منتشر شد. در این پژوهش داده‌های آموزشی ۶۷۲ نفر از دانشجویان رشته‌های مدیریت و حسابداری دانشکده مدیریت و مهندسی دانشگاه صنعتی شاهرود مبنا قرار گرفته و دانشجویان نیز در قالب 6 خوشه تقسیم‌بندی شدند.
هرکدام از این خوشه‌ها، حاوی اطلاعات مهمی نسبت به دانشجویانند. به‌طوری‌که میانگین معدل تمامی دانشجویانی که در خوشه اول قرار می‌گیرند ۱۶.۳۸، خوشه دوم 13.66، خوشه سوم ۱۸.۱۵، خوشه چهارم ۱۶.۹۴، خوشه پنجم ۱۶.۱۱ و خوشه ششم ۹.۲۴ بوده که بر همین اساس می‌توان عنوان کرد دانشجویان خوشه سوم دانشجویان عالی، دانشجویان خوشه‌های اول و چهارم و پنجم دانشجویان خوب، خوشه دوم دانشجویان متوسط و خوشه ششم را هم دانشجویان ضعیف تشکیل داده‌اند. اما مسئله مهمی که می‌توان از آن پژوهش نتیجه گرفت، آن است که وجه تمایز خوشه‌های اول و چهارم و پنجم در بومی بودن و غیربومی بودن دانشجویان شرکت کننده در آن است، به‌طوری‌که دانشجویان خوشه چهارم اغلب غیربومی و دانشجویان خوشه پنجم اغلب بومی‌اند. دانشجویان خوشه اول و ششم دانشجویان انتقالی از سایر دانشگاه‌ها به دانشگاه صنعتی شاهرود یا دانشجویان نوبت دومند که معدل پایینی دارند اما این دو خوشه به دلیل اختلاف معنادار معدل از یکدیگر جدا شده‌اند. حدود ۵۰ درصد دانشجویان حاضر در خوشه سوم نیز دانشجویان پذیرفته شده در دوره روزانه‌اند. موضوع زمانی جالب‌تر می‌شود که بدانیم ۵۳ درصد دانشجویان خوشه متوسط و ۷۲ درصد دانشجویان خوشه ضعیف حداقل دو مشروطی متوالی را تجربه کرده‌اند. همچنین دانشجویان ورودی دهه 80 که در خوشه‌های دوم و چهارم قرار می‌گرفتند، در سال‌های 90 و 91 بیشترین مشروطی را تجربه کرده‌اند؛ هرچند که این روند از سال 91 به بعد رو به کاهش رفته است. البته دانشجویان دیگر خوشه‌ها ورودی سال 90 به بعد بوده‌اند.
نکته قابل توجه در این پژوهش آن است که متوسط معدل دانشجویان بومی حدود 0.3 درصد از دانشجویان غیربومی بیشتر بوده است. موضوع زمانی جالب‌تر می شود که بدانیم این دانشجویان در مقایسه با دانشجویان غیربومی دارای مشروطی بیشتری‌اند. موضوعی که می‌تواند زنگ خطری درخصوص وضعیت تحصیلی دانشجویان بومی برای متولیان آموزشی باشد. با وجود اینکه این دادهها تنها وضعیت تحصیلی دانشجویان یک دانشگاه را مورد بررسی قرار داده اما می‌توان از آن به عنوان ملاکی برای برنامه‌ریزی دقیق‌تر آموزشی و تفکیک قائل شدن میان نحوه تحصیل دانشجویان بومی و غیربومی یاد کرد. یکی دیگر از نکاتی که از این پژوهش بیشتر به چشم می‌آید، وضعیت مشروطی‌ها در میان دانشجویان متأهل و مجرد است. موضوعی که طبق داده‌های به‌دست‌آمده باید عنوان کرد دانشجویان متأهل تعداد مشروطی‌های بیشتری را هم به نسبت مجردها تجربه می‌کنند اما در مقابل میانگین نمرات آنها نیز در قیاس با مجردها بالاتر است. همین دو مؤلفه نشان میدهد دانشجویان متأهل توان بالاتری را از حیث آموزشی نسبت به مجردها دارند اما طبیعتا شرایط زندگی متأهلی و تحصیل همزمان باعث شده سهم مشروطی‌ها در آنها بیشتر باشد.
داده‌کاوی فرشته نجات مسیر آموزش خواهد بود؟
در پایان باید به این مسئله توجه کرد که دانشجویان و اساتید افرادی هستند که جامعه ذی‌نفع دانشگاه را تشکیل می‌دهند؛ از همین رو مدیریت آموزشی باید بتواند با به‌روز نگه داشتن شیوه‌های آموزشی، کیفیت آموزش‌های ارائه شده را همیشه بالا نگه دارد. موضوعی که قطعا برای رسیدن به آن، در دنیای امروز استفاده از تکنولوژی‌ها و روش‌های جدید اهمیت بالایی دارد. از طرف دیگر نتایج به‌دست‌آمده از داده‌کاوی، در مسیر مدیریت آموزشی و برنامه‌ریزی برای دانشجویان بسیار کمک‌کننده خواهد بود و قطعا براساس آن مسئولان می‌توانند منابع سازمانی و آموزشی را بهتر تخصیص دهند. برای نمونه اگر برای دانشجویی نمره پایینی پیش‌بینی شود، آن دانشجو به عنوان یک دانشجوی ضعیف شناخته شده و برای بهبود عملکردش می‌توان از راهکارهایی مانند مسائل تکنیکی اضافه و بازنگری دروس قبلی استفاده کرد. بیشینه کردن کارایی سیستم آموزشی یک موضوع مهم است که مسئولان با تصمیم درست می‌توانند به آن برسند. همچنین نتایج در صورتی که توسط یک مشاور مورد بررسی قرار گیرند، می‌توانند شخصی‌سازی آموزش را نیز در پی داشته باشند. همچنین داده‌کاوی با کشفیات و پیش‌بینی‌هایی که ارائه میدهد می‌تواند به اساتید نیز در مسیر فعالیت‌شان کمک کند؛ چراکه این قشر با استفاده از آمارها و فهمیدن الگوهای یادگیری دانشجویان می‌توانند جریان تدریس خود را به سمتی هدایت کنند که بیشترین بازدهی را داشته باشد. البته استفاده از این نتایج نه‌تنها برای مدرسان و مسئولان آموزشی قابل استفاده است، بلکه به دانشجویان نیز کمک می‌کند با استفاده از بازخوردهای داده‌کاوی آموزشی، به خودشناسی بهتری برسند و در فرایند تحصیل خود موفق عمل کنند. علاوه‌بر همه این موارد، داده‌کاوی آموزشی منجر به کاهش هزینه‌ها نیز می‌شود و بودجه دانشگاه‌ها می‌تواند در مسیرهای بهتری استفاده شود.
