fa یک مدل یادگیری ماشین برای بررسی علل موثر بر ترک تحصیل دانشجویان و پیش‌بینی عملکرد دانشجویان مديريت سلامت Health Management مقاله پژوهشی Research Article <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:16px;"><span style="font-family:yekanYW;"><span style="line-height:2;"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">مقدمه:</span></b> <span lang="FA">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.</span><b><span dir="LTR" style="line-height:150%"></span></b></span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">روش‌ بررسی:</span></b><b> </b><span lang="FA">ترکیبی از الگوریتم بهینه‌سازی ازدحام ذرات و تقویت گرادیان شدید برای ایجاد یک مدل طبقه‌بندی کننده ارائه شد. همچنین از روش‌های تحلیل داده برای تحلیل و بررسی داده‌ها و بدست آوردن اطلاعات مفید استفاده شد.</span></span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">یافته‌ها: </span></b><span lang="FA">مدل ارائه شده دقت ۹۸.۱۲ 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.</span> <span lang="AR-SA">دانشجویانی که شهریه خود را به موقع پرداخت نکرده‌اند، به طور قابل توجهی بیشتر در معرض خطر ترک تحصیل (۸۷.۰۵ درصد) و کمتر در معرض فارغ‌التحصیلی (۴.۹۵ درصد) هستند، در مقایسه با دانشجویانی که شهریه خود را به موقع پرداخت می‌کنند، که نرخ ترک تحصیل کمتری (۲۵.۲۱ درصد) و نرخ فارغ‌التحصیلی بالاتری (۵۵.۱۳ 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. </span><span lang="FA" style="line-height:150%"></span></span></span><br> <b><span dir="RTL" lang="FA">نتیجه‌گیری:</span></b> <span dir="RTL" lang="AR-SA">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</span><span dir="RTL" lang="FA">.</span></span></span></span></span></div> <div style="text-align: justify;"><span style="color:#000000;"><span style="font-family:Times New Roman;"><span style="font-size:14px;"><span style="line-height:2;"><strong>Introduction:</strong> Early identification of students at risk of dropping out is essential for providing timely support, improving retention rates, and promoting academic success. Machine learning offers a powerful approach to analyze patterns in student behavior, allowing universities to predict dropouts and implement preventive interventions.<br> <strong>Methods:</strong> A hybrid model combining Particle Swarm Optimization and Extreme Gradient Boosting algorithms was developed to classify at-risk students. Additional data analysis techniques were applied to examine the dataset and extract meaningful insights.<br> <strong>Results:</strong> The proposed model achieved an accuracy of 98.12%, outperforming alternative models. Academic variables were identified as the most influential factors in dropout decisions. Students who failed to pay tuition on time were at substantially higher risk of dropping out (87.05%) and had a lower probability of graduation (4.95%), compared to those who paid on time, who exhibited a dropout rate of 25.21% and a graduation rate of 55.13%. Dropout rates also increased with age for both genders, although women consistently showed lower dropout rates across all age groups.<br> <strong>Conclusion:</strong> Machine learning-based prediction of dropout risk enables institutions to target interventions more effectively, optimizing resource allocation and supporting students in completing their education</span></span></span></span></div> یادگیری ماشین, فراابتکاری, ترک‌تحصیل, دانشجو, تصمیم‌گیری Machine learning, Metaheuristics, Student dropout, Decision-making 184 193 http://sjfm.ir/browse.php?a_code=A-10-2289-3&slc_lang=fa&sid=1 Kiarash Zohori کیارش ظهوری arieltehrani77@gmail.com 1100319475328460011098 0009-0009-9721-1579 Yes Department of Toxicology and Pharmacology, Faculty of Pharmacy, Ayatollah Amoli Branch, Islamic Azad University, Amol, Iran گروه سم‌شناسی و فارماکولوژی، دانشکده داروسازی، واحد آیت‌اله آملی، دانشگاه آزاد اسلامی، آمل، ایران Marjan Fallah مرجان فلاح kiarah_zohori@yahoo.com 1100319475328460011099 1100319475328460011099 No Department of Toxicology and Pharmacology, Faculty of Pharmacy, Ayatollah Amoli Branch, Islamic Azad University, Amol, Iran گروه سم‌شناسی و فارماکولوژی، دانشکده داروسازی، واحد آیت‌اله آملی، دانشگاه آزاد اسلامی، آمل، ایران