تحليل يادگيري دانش آموزان از طريق ورزش صبحگاهي با استفاده از روش هاي داده كاوي

Analysing students' learning through morning exercise using data mining techniques

يكي از عوامل اصلي فرايند جامعه پذيري، مدرسه است كه اهميت آن در نظام آموزشي هر كشوري بيش از پيش احساس مي¬شود. ارتقاء سطح يادگيري دانش آموزان، يك عامل مهم براي ارتقاي كيفيت نظام آموزش در مدارس، مي باشد. از آنجايي كه ورزش كردن ثاثير بسزايي در يادگيري دارد، هدف اصلي مقاله ارائه روشي جهت تقويت روند يادگيري دانش آموزان از طريق ورزش صبحگاهي مبتني بر تكنيك شبكه عصبي و الگوريتم بهينه سازي قطرات هوشمند آب است. رويكرد اين پژوهش به صورت كمي بوده و از نظر هدف كاربردي و همچنين از نظر نوع روش، توصيفي- تحليلي است. جهت دستيابي به اين هدف از تكنيك شبكه عصبي به منظور طبقه‌بندي و استخراج نتايج و از الگوريتم بهينه سازي قطرات هوشمند آب جهت انتخاب ويژگي استفاده مي شود. براي شبكه عصبي از 11 نورون به عنوان تعداد نورون مناسب لايه مخفي و تركيب دو تابع فعال سازي خطي و سيگموئيدي به عنوان توابع انتقال بين لايه‌اي و از يك تابع آموزش جهت آموزش شبكه و حداكثر تكرار الگوريتم آموزش بر روي مجموعه داده 3000 تعداد، پيشنهاد شده است. دقت روش پيشنهادي 68 درصد است كه به نسبت روش پايه حدود 2/2 درصد بهبود داشته و اين يعني ورزش برروي يادگيري دانش‌آموزان تاثير دارد. نتايج نشان داد طبقه بندي بهينه روي مجموعه داده با پارامترهاي همگن، عملكرد مناسبي داشته و همچنين شبكه‌هاي عصبي مصنوعي نسبت به روش هاي جديد، عملكرد بهتري دارد. طبق نتايج به دست آمده روش پيشنهادي از نظر صحت خروجي مي تواند بهبود مناسبي در تقويت روند يادگيري داشته باشد.

Since school has identified as one of the major agents in the socialization process, it has found remarkable position in the educational system of any country. Improving student learning is also a key factor to enhance the educational system quality in schools. As regular exercise has profoundly positive impact on learning, this paper mainly aims to provide an approach to enhance students' learning process through morning exercise based on artificial neural network (ANN) technique and intelligent water drop optimization algorithm. This study is a quantitative research, which is purposefully a descriptive-analytical and methodologically a practical study. To that end, ANN technique was used to classify and extract the results, as well as, intelligent water drop optimization algorithm was employed for feature selection. In ANN, eleven neurons were selected as the appropriate number of hidden layer neurons; a combination of two linear and sigmoidal activation functions were employed as interlayer transmission functions; a training function was applied to train the network; and a maximum 3000 duplicates was proposed for the training algorithm on dataset. The accuracy of the proposed method was 68%, which has improved by about 2.2% compared to the basic method, i.e., exercise has a positive effect on students' learning. The results showed a proper performance of the optimal classification on the dataset with homogeneous parameters as well as a better performance of the artificial neural networks than the novel methods. Accordingly, the proposed method can have an appropriate improvement in terms of output accuracy in strengthening the learning process.