1- گروه سم‌شناسی و فارماکولوژی، دانشکده داروسازی، واحد آیت‌اله آملی، دانشگاه آزاد اسلامی، آمل، ایران ، arieltehrani77@gmail.com 2- گروه سم‌شناسی و فارماکولوژی، دانشکده داروسازی، واحد آیت‌اله آملی، دانشگاه آزاد اسلامی، آمل، ایران
چکیده: (26 مشاهده)
مقدمه:شناسایی دانشجویانی که در معرض خطر ترک تحصیل هستند برای ارائه پشتیبانی به موقع، بهبود نرخ ماندگاری و تضمین موفقیت تحصیلی بسیار مهم است. یادگیری ماشینی را می توان برای تحلیل الگوهای رفتار دانش آموزان به کار برد و دانشگاه‌ها را قادر می سازد تا ترک تحصیل را پیش بینی کنند و اقدامات پیشگیرانه ای برای مداخله موثر انجام دهند. روش بررسی:ترکیبی از الگوریتم بهینه‌سازی ازدحام ذرات و تقویت گرادیان شدید برای ایجاد یک مدل طبقه‌بندی کننده اراائه شد. همچنین از روش‌های تحلیل داده برای تحلیل و بررسی داده‌ها و بدست آوردن اطلاعات مفید استفاده شد. یافته‌ها: مدل ارائه شده دقت 12/98 درصد نشان داد که دقت بالاتری نسبت به دیگر مدل‌ها دارد و همچنین نشان داده شد داده‌های آکادمیک متغیرهای موثرتری در انصراف دانشجویان از دانشگاه هستند.دانشجویانی که شهریه خود را به موقع پرداخت نکرده‌اند، به طور قابل توجهی بیشتر در معرض خطر ترک تحصیل (05/87 درصد) و کمتر در معرض فارغ‌التحصیلی (95/4 درصد) هستند، در مقایسه با دانشجویانی که شهریه خود را به موقع پرداخت می‌کنند، که نرخ ترک تحصیل کمتری (21/25 درصد) و نرخ فارغ‌التحصیلی بالاتری (13/55 درصد) دارند. همچنین، با افزایش سن، نرخ ترک تحصیل در هر دو جنس افزایش می‌یابد، اگرچه زنان در تمام گروه‌های سنی همواره نرخ ترک تحصیل کمتری نشان می‌دهند. نتیجه‌گیری:با به‌کارگیری یادگیری ماشینی برای پیش‌بینی خطرات ترک تحصیل، مؤسسات می‌توانند منابع خود را به‌طور موثرتری برای حمایت از دانشجویان در به‌پایان رساندن تحصیلاتشان تخصیص دهند.
