تصميم نموذج لتقييم الطالب للأداء التدريسي للأستاذ الجامعي باستخدام خوارزميات التنقيب

Abstract

المستخلص في الآونة الأخيرة حرصت أغلب المؤسسات الأكاديمية على إيجاد العوامل التي تزيد من نتائج التعليم وأصبحت جودة التعليم هدف مهم تسعى جميع المؤسسات التعليمية إليه خاصة في ظل توفر قدر ضخم من البيانات التي يمكن الاستفادة منها للحصول على نتائج ممتازة . و كثر استخدام خوارزميات تنقيب البيانات لتحليل هذه العوامل ، يهدف هذا البحث لحل مشكلة صعوبة اعتماد معيار مقنن لقياس مدى أداء الأستاذ التدريسي من خلال تصميم نموذجا لتحديد أكثر العوامل المؤثرة في تقييم الطلاب للأستاذ الجامعي وذلك عبر تصنيف إجابات الطلاب وبعض البيانات الأخرى الخاصة بالأستاذ مثل معدله التراكمي الذي تخرج به ، الدرجة العلمية، و عدد سنوات الخبرة باستخدام ثلاث خوارزميات تصنيف (classification) وهي (Random Forest, Decision Tree, Naïve Bayes) كما تم استخدام SFS لاختيار السمات المناسبة (feature selection) وذلك لسببين ؛ الأول هو تقليل عدد السمات لزيادة دقة النتائج والثاني هو الحصول على السمات الأكثر صلة والتي تؤثر على النتيجة النهائية . يتم المقارنة بين أداء الخوارزميات للحصول على الأفضل . تتكون استبانه الطلاب من 37 سؤال تم بناءها باستخدام نموذج جوجل Google form وكان حجم مجموعة البيانات 709 صف . جمعت إجابات الطلاب من 6 أقسام (علوم الحاسوب، تقنية المعلومات ، هندسة البرمجيات، نظم المعلومات الإدارية، نظم المعلومات المحاسبية، نظم معلومات المكتبات ) في كلية علوم الحاسوب وتقنية المعلومات بجامعة النيلين. استخدمت لغة بايثون لبناء النموذج ، يمكن تقسيم عملية تصميم النموذج النهائي الى ست مراحل ، المرحلة الأولى هي المعالجة المسبقة (preprocessing) ، الثانية هي تطبيق الثلاث خوارزميات المقترحة قبل و بعد اختيار السمات ، في المرحلة الثالثة يتم اختبار النموذج باستخدام أدوات مصفوفة الارتباك precision, recall , f1-score)) و المرحلة الرابعة يتم التحقق من النموذج بواسطة Stratified Cross Validation، المرحلة الخامسة تم استخدام طريقة SMOTE للتعامل مع عدم توازن البيانات ، وأخيرا في المرحلة السادسة تم اختبار عمومية النموذج وذلك عبر اختباره بواسطة مجموعة بيانات تخص جامعة تركية و أعطى النموذج نتائج جيدة. خلصت الدراسة إلى أن أداء النموذج تحسن أي أعطى معدل دقة أعلى بعد اختيار السمات لكن ظلت نتائج الاختبار التي تحصل عليها من مصفوفة الارتباك ضعيفة وعزى الباحث ذلك الى عدم توازن البيانات ، أما عند تطبيق SMOTE تحسنت الدقة العامة و أيضا قدرة وأداء النموذج على التنبؤ و كانت خوارزمية Random Forest هي الأفضل من حيث التنبؤ بالعوامل الأكثر تأثيرا على معدلات تقييم الطالب للأستاذ حيث كانت دقة النموذج تساوي 0.82 وعند اختباره بواسطة مجموعة البيانات الجاهزة أعطى النموذج نتائج جيدة وكانت دقة النموذج تساوي 0.85 وهذا يشير الى قدرة النموذج على التعامل مع بيانات جديدة مما يثبت كفاءته و عموميته.

Abstract Recently, most the academic institutions focus on finding the factors which increase the educational outcomes. Learning quality has become an important goal that all educational institutions seek, especially in light of the availability of a huge amount of data that can be used to obtain excellent results. Data mining algorithms are frequently used to analyze these factors. This research aims to solve the problem of the difficulty of adopting a codified standard to measure the lecturer’s performance in teaching by designing a model to determine the most influential factors in students’ evaluation of a university lecturer, and by classifying the students’ answers and some other data related to the lecturer, such as his cumulative average, the degree, and the number of Years of experience using three classification algorithms which are (random forest, decision tree, Naïve Bayes), SFS was also used for numbers (feature selection) for two reasons; The first is to reduce your character count. A comparison is made between the clothes that are being sold. The students ’questionnaire consisted of 37 questions. The questionnaire was based on the Google form, the Google form, and the dataset was 709 rows. Students' answers were collected from 6 departments (Computer Science, Information Technology, Software Engineering, Management Information Systems, Accounting Information Systems, and Library Information Systems) in the College of Computer Science and Information Technology at Al-Neelain University. Python was used to build the model. The final model design process can be divided into six stages, the first stage is preprocessing, the second is the applying of the three proposed algorithms before and after feature selection. In the third stage the model is tested using the Precision, Recall, f1-score tools. The fourth stage, the model is validated by Stratified Cross Validation, the fifth stage The SMOTE method was used to deal with the data imbalance, Finally, in the sixth stage, the generality of the model was tested by testing it with a data set belonging to a Turkish university, and the model gave good results.

The study concluded that the performance of the model improved, that is, it gave a higher accuracy rate after selecting the features, but the test results obtained from the confusion matrix remained weak, and the researcher attributed this to the imbalance of the data, but when applying SMOTE, the general accuracy, as well as the model’s predictive ability and performance, was improved, and the Random Forest algorithm was the best in terms of predicting the factors most affecting the student’s evaluation rates for the lecturer, where the accuracy of the model was equal to 0.82 and when tested by the ready data set, the model gave good results and the accuracy of The model is equal to 0.85 and this indicates the ability of the model to deal with new data, which proves its efficiency and generality.