داده‌كاوي دانشجويان انصرافي دانشگاه پيام نور استان تهران به‌منظور افزايش نرخ ماندگاري دانشجو (جلوگيري از رويگرداني مشتري)

Data Mining Withdrawal of the Students of Payame Noor University in Tehran State to Increase Student Rentention Rate (Preventing Customer Rejection

از چالش‌هاي پيش‌روي مؤسسات آموزشي بالأخص مؤسسات آموزش عالي غيرانتفاعي كسب درآمد جهت تحقق اهداف است اما انصراف دانشجو در نقطه مقابل قرار دارد. با شناسايي دانشجويان انصرافي مي­توان با اتخاذ سياست‌هاي پيشگيرانه و حمايتي از كاهش وجهه مؤسسه جلوگيري و اميدوار به جذب درآمد مورد انتظار شد. اين تحقيق با استفاده از داده­كاوي اطلاعات دانشجويان انصرافي دانشگاه پيام نور استان تهران طي سال‌هاي 91 تا 94 قصد دارد دانشجويان در معرض خطر را شناسايي كند. داده‌ها از سامانه آموزش استخراج و از 20 صفت محتملي مؤثر در انصراف مدلي با دقت 92٪ شناسايي شد. در مدل مذكور 6 مشخصة مستقل (سن، گروه، مقطع و دورة تحصيلي، مشروطي و جنسيت) و يك مشخصه وابسته (سنوات) شناسايي و متعاقباً درجه اهميت مشخصه‌هاي دخيل در انصراف و ارتباط آن‌ها با يكديگر تعيين شد. احتمال خطر انصراف (ريسك ريزش) اولويت‌بندي و جدول خطر احتمال براي ترم‌هاي مختلف ارائه شد. يافته‌ها حكايت از شناسايي سن به‌عنوان مهم‌ترين عامل دارد. از نظر سني در كارشناسي دستة سني 21-18 در ارشد 26-22 و در دكتري 31-29 پرخطرترين گروه‌ها هستند. از لحاظ دورة تحصيلي در كارشناسي و دكتري دورة رسمي و در ارشد دورة آموزشي پژوهشي رسمي پرخطرترين دوره مي‌باشند. نرخ انصراف‌ براي دانشجويان 19 و 20 سال در ترم سوم تقريباً 50 درصد است.

The challenges facing educational institutions,especially nonprofit higher education institutions, are to earn money to meet their goals. Student withdrawal is in the opposite direction. By identifying students as opt-outs, preventive and supportive polices can be anticipated to prevent a reduction in the image and hopes to attract revenues. This research is aimed at identifying students at risk by using the Data Mining Data of the Student attention Center of Payame Noor University of Tehran during the years 2013-16. Data were extracted from the education system. Of the 20 potentially effective attributes,92% accuracy model was identified. In the model, six independent characteristics (age,group, grade, probation, and gender) and an associated attribute (term) were identified and subsequently the degree of importance of the attributes involved in the withdrawal and their relationship with each other was determined. Risk of withdrawal and risk ranking table for different terms were presented. Findings indicate that age is the most important factor. The bachelor degree is between the ages of 18-21 in the senior age group of 22-26 and the PhDs 31 to 29 in the most risky groups. In terms of academic and postgraduate degrees, they are the most risky period in the formal and continuing education programs of the research course. attention rates for students aged19&20are about 50% in the third semester.