تشخيص اجتماع براي بهبود پيش‌بيني انصراف از تحصيل دانشجويان مبتني بر يادگيري ماشين

اين پژوهش، رويكرد نويني را براي ارتقاي دقت طبقه‌بندي ترك تحصيل دانشجويان از طريق تلفيق تكنيك‌هاي مبتني بر گراف و تشخيص اجتماع با يادگيري ماشين معرفي مي‌نمايد. اين مقاله، پتانسيل دريافت روابط پيچيده در مجموعه داده‌هاي ترك تحصيل دانشجويان را با استفاده از تشخيص اجتماع و رمزگذاري عضويت آن به عنوان يك مجموعه ويژگي، به منظور غني‌سازي ويژگي‌هاي موجود فعلي به عنوان ورودي طبقه‌بندي‌كننده‌هاي يادگيري ماشين، بررسي مي‌كند. اين مطالعه از مجموعه داده جامع دوره‌هاي آموزشي آنلاين بزرگ‌مقياس بهره مي‌برد و از الگوريتم‌هاي تبديل به گراف، تشخيص اجتماع و يادگيري ماشين براي تجزيه و تحليل داده‌ها استفاده مي‌نمايد. نتايج حاكي از آن است كه رويكرد پيشنهادي از مدل‌هاي يادگيري ماشين سنتي پيشي گرفته و به دقت 99.5 درصد دست مي‌يابد. اين تحقيق بر پتانسيل تكنيك‌هاي مبتني بر گراف در تقويت طبقه‌بندي ترك تحصيل دانشجويان تأكيد مي‌ورزد و بينش‌هايي را در خصوص فرصت‌ها، محدوديت‌ها و جهت‌گيري‌هاي تحقيقات آتي در اين حوزه ارائه مي‌دهد. اين مطالعه، شواهد قانع‌كننده‌اي در مورد اثربخشي رويكردهاي تشخيص اجتماع در زمينه طبقه‌بندي ترك تحصيل دانشجويان، همراه با مفاهيمي براي تشخيص و پيشگيري، فراهم مي‌آورد.