Data-Mining of the Centralized Test Scores of the University of Applied Science & Technology

Document Type : Original Article



The purpose of this study was to identify and discover unknown models and relationships and to identify cases outside the models, from the huge volume of data in the educational system of the University of Applied Science & Technology. For this purpose, the scores of 19207 students/courses in 8 courses, 6 provinces and 120 educational centers that have been centrally held throughout the country in the second semester of the academic year 1397-98 have been studied. Statistical analyses and data mining were performed using SPSS Modeler software. First, statistics were calculated and the relationship between different features and courses was examined. Then, by K-means clustering, 5 clusters were obtained. Cluster 1 is for poor students, who have low test scores. Cluster 2 is for excellent students who have a high number of credits and a high-test score. Cluster 4 is for excellent students who have taken fewer credits. These students have even higher test scores than cluster 2 students. Cluster 5 corresponds to the small number of credits taken, which includes conditional students. Students in this cluster have better test scores than weak students (cluster 1). Then the relationship between different variables was investigated. Among the variables, there is a direct relationship between test score and grade point average. The results of the research can be effective in advancing the educational goals of the university.


برومندی، الهام؛ فاموری، فرزانه (۱۳۹۵). بررسی وضعیت تحصیلی دانشجویان دانشگاه آزاد مرودشت با رویکرد داده‌کاوی. همایش بینالمللی افق‌های نوین در علوم پایه و فنی و مهندسی، تهران، انجمن افق نوین علم و فناوری.
حسنی، علی‌اکبر؛ بذرافشان، مرتضی (1397). تحلیل داده‌های آموزشی دانشجویان با هدف ارزیابی موفقیت تحصیلی با استفاده از رویکرد داده‌کاوی (نمونه موردی: دانشکده مدیریت و مهندسی صنایع دانشگاه شاهرود). مدیریت و برنامه‌ریزی در نظام‌های آموزشی، 11(2)، 187- 208.
حیدری، سمیه؛ یقینی، مسعود (1389). دسته‌بندی و پیش‌بینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک‌های داده‌کاوی. نامه آموزش عالی، 3(12)، 107- 124.
رستمی، محمد؛ آیت، سید سعید؛ صاغری، فرید؛ یعقوبی، فاطمه (1394). پیش‌بینی میزان پیشرفت تحصیلی دانشجویان با روش خوشه‌بندی فازی در محیط‌های آموزشی. فناوری آموزش، 10(1)، 23-36.
زاهدی، آتنا؛ فاضلی، فائزه السادات؛ فرهادی، محسن (1392). بررسی عوامل موثر بر موفقیت دانشجویان رشته حسابداری در فارغ‌التحصیلی با استفاده از ابزار داده‌کاوی. هفتمین کنفرانس داده‌کاوی ایران، 19 و 20 آذرماه 1392، تهران.
شفیع‌پور مطلق، فرهاد؛ نظری، حسین (1392). طراحی یک مدل تعدیل شده برای ارزیابی اثربخشی استراتژی‌های یادگیری الکترونیک بر موفقیت تحصیلی دانشجویان. فناوری آموزش، 8 (1)، 31-37.
فرهادی، محسن؛ باقری، فهیمه؛ فاطمی، فریده‌سادات (1392). به کارگیری ابزارهای داده‌کاوی جهت پیش‌بینی موفقیت یا عدم موفقیت دانشجویان رشته رباتیک در فارغ‌التحصیلی. هفتمین کنفرانس داده‌کاوی ایران، 19 و 20 آذر ماه 1392، تهران، ایران.
قدوسی، محمد؛ میرسعیدی، فاطمه؛ کوشا، حمیدرضا (1398). پیش‌بینی و تحلیل عملکرد دانشجویان به کمک تکنیک‌های داده‌کاوی به منظور بهبود عملکرد تحصیلی. فناوری آموزش، 14(1 )، 1-13.
عباسی، محمدرضا؛ شیره‌پز آرانی، علی‌اصغر (1390). سیاست‌گذاری کیفیت آموزش عالی: چالش‌ها و چشم‌اندازها. پنجمین همایش ارزیابی کیفیت در نظام دانشگاهی، تهران، دانشگاه تهران (پردیس دانشکده‌های فنی).
Adekitan A. I., & Salau, O. (2019). The impact of engineering students' performance in the first three years on their graduation result using educational data mining. Heliyon, 5(2), Article No: we01250.
Ahmed, S. R. (2004). Applications of Data mining in retail business. Information Technology: Coding & Computing, 2, 455-459.
Cotofrei, P., & Stoffel, K. (2007). Stochastic Processes and Temporal Data Mining. California: ACM Digital Library.
Daradoumis, T., Puiga, J. M., Arguedas, M., Linana L. C. (2019). Analyzing students' perceptions to improve the design of an automated assessment tool in online distributed programming. Computers & Education, 128, 159-170.
Hand, D., Mannila, H., & Smyth, P. (2001). Principles of Data Mining. Cambridge: MIT Press.
Hussain, S., Dahan, N. A., Ba-Alwib, F.M., Ribata, N. (2018). Educational data mining and analysis of students’academic performance using WEKA. Indonesian Journal of Electrical Engineering & Computer Science, 9(2), 447-459. DOI: 10.11591/ijeecs.v9.i2.pp447-459
Kennedy, R. L., Lee, Y., Roy, B. V., Reed, C. D. & Lippmann, R. P. (1998). Solving Data Mining Problems through Pattern Recognition. S. l., Prentice Hall.
Khanbabaei, M., Movahedi Sobhani, F., Alborzi M. & Radfar, R. (2018). Developing an integrated framework for using data mining techniques and ontology concepts for process improvemen. Journal of Systems & Software, 137, 78-95.
Kotsiantis, S. (2009). Educational data mining: a case study for predicting dropout-prone students. International Journal of Knowledge Engineering & Soft Data Paradigms, 1)2(, 101-111.
Kumar, B. B., & Saurabh P. (2011). Data Mining: A Prediction for Performance Improvement Using Classification. International Journal of Computer Science & Information Security, 9(4), 136-140.
Mujib, R., Hadi, S., & Sarosa, M. (2013). Penerapan Data Mining Untuk Evaluasi KinerjaAkademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Journal EECCIS, 7(1), 59–64.
Ngai, E. W., & Chau, D. C. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert Systems with Applications, 36, 2592-2602.
Olaleye, F. O., & Oyewole, B. K. (2016). Quality assurance in Nigerian university education: the role of the National universities commission (NUC) as a regulatory body. International Journal of Academic Research in Progressive Education & Development, 6(12), 2222-6990.
Saa, A. A. (2016). Educational Data Mining & Students’ Performance Prediction. International Journal of Advanced Computer Science & Applications, 7(5), 9-22.
Salappa, A., Doumpos, m. & Zopoundidis, C. (2007). Feature selection algorithms in classification problems: an experimental evaluation. Optimizing Methods & Software, 22(1), 2-5.
Tang, Z. M., & Maclennan, J. (2005). Data Mining with SQL Server. Indianapolis. Indiana: Wiley Publishing Inc.
Waheed, H., Hassan, S. U., Aljohani, N. R., Hardman, J., Alelyani, S., & Nawaz, R. (2020). Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior, 104, March 2020, 106189.
Zoe, Y. Z., Leonid, C., Frada, B., & Kenm, S. (2009). Combining Data Mining and case based reasoning for intelligent decision support for pathology ordering by general practitioners. European Journal of Operational Research, 195, 662-675.