پرهام مرادی دولت آبادی

داده‌های سری زمانی آموزش الکترونیک مانند داده‌های جریان کلیک و داده‌های بایگانی اهمیت زیادی در رابطه با کشف الگوی‌های رفتاری دانشجویان آن سامانه‌ها دارد. شناخت و تحلیل این نوع داده‌ها اطلاعات باارزشی در اختیار مدیران سازمان‌های مرتبط می‌گذارد، همانند تشخیص دانشجویان مستعدد ترک تحصیل، شناسایی دانشجویان فعال در پی‌گیری تکالیف علمی، گروه‌بندی دانشجویان براساس شباهت‌های رفتاری، تصمیم‌گیری متناسب با الگوی رفتاری آن‌ها، تشخیص علایق دانش آموزان به یک محتوای آموزشی خاص یا دوره تحصیلی یا یک مدرس خاص براساس فعالیت‌ها و تعاملشان با سامانه و غیره. از طرفی تحلیل گراف پدیداری زمینه‌ای نوظهور در تحلیل شبکه است که تاکنون در زمینه‌هایی مانند پزشکی، اقتصاد، معماری، پردازش تصویر، زمین‌شناسی و برخی زمینه‌های دیگر مطرح شده است که خروجی این بررسی‌ها سبب پیش‌بینی به موقع بیماری‌ها جهت جلوگیری از پیامدهای خطرناک آن‌ها، برآورد بازده بازارهای مالی با برنامه‌ریزی استراتژیک، اصلاح مدل محاسباتی جهت کارایی هزینه‌های بصری و غیره بوده است. همچنین داده‌های سری زمانی آموزش الکترونیک تاکنون در حوزه‌های پژوهشی مانند کشف دانش در سیستم‌های آموزشی، شناسایی الگوهای رفتاری مختلف و پیش‌بینی نتایج آینده و غیره با روش‌های یادگیری ماشین از جمله شبکه عصبی بازگشتی، ماشین بردار پشتیبان و شبکه عصبی مصنوعی مورد تحلیل قرار گرفته‌اند. اما بیشتر پژوهش‌های انجام شده تاکنون بر داده‌های جریان کلیک آموزشی، مبتنی بر روش‌های غیر شبکه‌ای و مرتبط با الگوریتم‌های یادگیری ماشین بوده است. با توجه به اهمیت الگوریتم‌های گراف پدیداری و نقش آن در حیطه تحلیل داده‌های سری زمانی، با نگاشت مناسب آن به حیطه داده‌های آموزشی می‌توان از این پتانسیل بهره برد. هدف این پژوهش توسعه زمینه پژوهشی تحلیل گراف پدیداری به حیله داده‌های آموزشی برای اولین بار است. بدین منظور یک نمونه موردی نیز تعریف و بررسی شده است که عبارت است از تشخیص دانشجویان ضعیف از قوی براساس تحلیل گراف پدیداری داده‌های جریان کلیک سامانه آموزشی براساس معیار‌های تحلیل شبکه مانند مرکزیت درجه، مرکزیت نزدیکی و توزیع درجه و غیره. داده ها از سامانه OULAD که حاوی اطلاعات تعامل کاربران با سامانه آموزشی است، انتخاب شده است. نتایج نشانگر این است که بالاتر بودن مرکزیت درجه، مرکزیت نزدیکی و توزیع درجه در گراف پدیداری حاصل از سری زمانی کلیک دانشجویان، متمایز کننده دانشجو ممتاز از ضعیف و تاییدکننده عدم شباهت رفتاری دانشجویان براساس میانگین کلیک‌هایشان در سامانه است. از طرفی هر سه معیار مذکور با p-valueبسیار پایین نسبت به سایر پارامترها به صورت مشخصی توانستند دانشجویان ممتاز از ضعیف را به درستی تشخیص دهند. میانگین دقت این پارامترها با الگوریتم‌های مختلف یادگیری ماشین با اعتبارسنجی متقاطع ده لایه حاصل شده است. الگوریتم درخت تصمیم با میانگین دقت 78 درصد نسبت به سایر الگوریتم‌ها در تشخیص دانشجویان ممتاز از ضعیف بهتر عمل کرده است.