فصلنامه پژوهش و برنامه ریزی در آموزش عالی
طراحی سامانه شناسایی عوامل مؤثر در پذیرش داوطلبان دورۀ دکترای تخصصی با استفاده از VPRST
نویسندگان
1 دکتری مهندسی فنّاوری اطلاعات دانشگاه تربیت مدرّس
2 دانشیار دانشکده فنی و مهندسی دانشگاه تربیت مدرّس
چکیده
افزایش تقاضا برای ورود به دورۀ دکترای تخصصی و سرعت کُند افزایش ظرفیت دانشگاهی متناسب با این رشد، موجب میشود که داوطلبان در فرایندی گزینشی برای حضور در این دوره قرار گیرند. عوامل بسیاری در انتخاب دانشجویان برای دورۀ دکترای تخصصی تأثیرگذار است و از آنجا که بسیاری از این عوامل ذهنی و برخاسته از دیدگاههای استادان است، این موضوع با ابهام و عدم قطعیت جدی همراه است. شناسایی اثرگذارترین عوامل در انتخاب دانشجویان و نیز تعیین میزان اثر هریک از عوامل ذهنی مد نظر استادان در پذیرش دانشجویان دکترای تخصصی علاوه بر شفاف کردن فرایند، تأثیری چشمگیر در صرفهجویی در زمان و هزینههای دانشگاههای پذیرنده دارد. در این پژوهش سامانهای با استفاده از نظریه مجموعههای نادقیق با دقت متغیر (VPRST) برای شناسایی عوامل مؤثر در گزینش دانشجویان متقاضی ورود به دورۀ دکترای تخصصی طراحی شد. در طراحی این سامانه عواملی که در فرایند گزینش دانشجویان ارزیابی میشوند، شناسایی و مجموعۀ دادهای با استفاده از اطلاعات سالهای پیش آماده شد. سپس، این مجموعه با استفاده از نظریۀ مجموعههای نادقیق با دقت متغیر تحلیل و عوامل مؤثر در پذیرش دانشجویان دکترای تخصصی شناسایی شد. نتایج این پژوهش برای استخراج قواعد پذیرش داوطلبان استفاده میشود و امکان تصمیمگیری در ارزیابی و پذیرش داوطلبان را فراهم میآورد. بهمنظور ارزیابی عملکرد این سامانه از دادههای آزمون سالهای 1387 تا 1393 دانشگاه تربیت مدرس استفاده شد. نتایج نشان میدهد از بین 12 عامل که در مصاحبه بررسی شد، فقط سه عامل تعداد مقالات، استعداد و قدرت بیان و امتیاز آزمون کتبی در گزینش داوطلبان اثرگذارند و بر مبنای این سه عامل میتوان دربارۀ وضعیت 71% داوطلبان تصمیمگیری کرد. ضمن اینکه استفاده از عامل قدرت تجزیه و تحلیل علمی
بهعنوان چهارمین عامل اثرگذار میتواند به افزایش دقت تصمیمگیری تا سطح 91% بینجامد. این سامانه میتواند بهعنوان یک سامانۀ تصمیم‌یار برای استادان و دانشگاهها در ارزیابی و پذیرش دانشجویان به‌کار آید.
کلیدواژه‌ها
عنوان مقاله [English]
Designing a system to identify main factors doctoral applicants\' selection by using Variable Precision Rough Set Theory
نویسندگان [English]
- Fatemeh Ghorbani 1
- Gholam Ali Montazer 2
1 PhD in Information Technology Tarbiat Modares University
2 Associated Professor Faculty of Engineering, Tarbiat Modares University
چکیده [English]
Increasing demand for doctoral programs and slow growth rate of appropriate academic capacity has caused the candidates of such programs to be involved in a selection process. In this paper, Variable Precision Rough Set Theory (VPRST) was employed to design a system for identifying the main factors in doctoral students' selection. In order to design the system, the evaluation factors in doctoral interview were identified. Using information from previous years, data collection set was prepared. Then, utilizing Variable Precision Rough Set Theory, the effecting factors in doctoral students' selection were identified. These results are used to provide the rules and regulations for applicants’ assessment and acceptance in doctoral programs. To evaluate the efficacy of proposed system, the data obtained from Tarbiat Modares University from 2009 to 2015 doctoral selection examinations were used. Results showed that 3 of 12 factors that were evaluated in the interviews including “number of papers”, “presentation skills” and “result of written examination” were effective in applicants' selection and based on these three factors decision can be made about 71% of the applicants. While using the power of scientific analysis- as the fourth effecting factor- could increase the accuracy of decision-making up to 91%. The system can be used as a decision support system for the evaluation and acceptance of students by faculty members.
کلیدواژه‌ها [English]
- Student\'s selection
- Feature Extraction
- Doctoral programs
- Variable Precision Rough Set Theory (VPRST)
- Decision support systems
Ali, P. (2008). Admission criteria and subsequent academic performance of general nursing diploma students. Journal of the Pakistan Medical Association, 58(3), 128-32.
Carlsson, Ch., & Fuller, R. (1997). OWA operators for doctoral student selection problem. Kluwer Academic Publisher, 167-178.
Fayyad, U., & Piatetsky-Shapiro, G. (1996). Advances in knowledge discovery and data mining. MIT/AAAI Press.
Gordon, C., Williams, S., Hudson, G., & Stewart, J. (2010). Factors associated with academic performance of physical therapy students. West Indian Medical Journal, 59(2), 203-208.
Graham, L.D. (1991). Predicating academic success of students in a master of business administration program. Educational Psychology Measure, 4, 721-727.
Hong, T., Wang, T., & Wang, S. (2007). Minimizing fuzzy β-certain and β-possible rules from quantitative data based on the variable precision rough set model. Expert Systems with Applications, 32, 223-232.
Hu, X. (1995). Knowledge discovery in databases: An attribute oriented rough set approach. (Doctoral dissertation). Regina University.
Jensen, R., & Shen, Q. (2001). A rough set-aided system for sorting WWW bookmarks. Web Intelligence, 95-105.
Jensen, R. (2005). Combining rough and fuzzy sets for feature selection. (Doctoral dissertation). School of Informatics, University of Edinburgh.
Kusiak, A. (2001). Rough set theory: A data mining tool for semiconductor manufacturing. IEEE Transaction on Electronics Packing Manufacturing, 24(1), 44-50.
Lopez, L. (2005). Multi criteria decision aid application to a student selection problem. Pesquisa Operational, 25(1), 45-68.
Matthew, J. L., & Nydick, R. L. (1997). Group decision making in higher education using the analytic hierarchy process. Research in Higher Education, 38(5), 593-614.
Pal, S.K., & Skowron, A. (1999). Rough fuzzy hybridization; A new trend in decision- making. Springer.
Pawlak, Z. (1998). Rough set theory and its application to data analysis. Cybernetics and Systems: An International Journal, 29, 661- 688.
Pawlak, Z. (2002). Rough sets and intelligent data analysis. Information Sciences, 147, 1-12.
Ponce, J., & Karahoca, A. (2009). Data mining and knowledge discovery in real life applications. Vienna, Austria.
Roy, B. (1996). Multi criteria methodology for decision aiding. Kluwer, 1996.
Salvatore Greco, S., Matarazzo, B., & Slowinski, R. (2001). Rough sets theory for multi criteria decision analysis. European Journal of Operational Research, 129, 1-47.
Shusaku, T. (1988). Automated extraction of medical expert system rules from clinical databases based on rough set theory. Information Sciences, 112, 67-84.
Sinh Hoa, N., & Hung Son, N. (1988). Pattern extraction from data. Fundamental Informaticae, 34, 1-16.
Swiniarski, R., Hunt, F., Chalvet, D., & Pearson, D. (1995, August). Intelligent data processing and dynamic process discovery using rough sets, statistical reasoning and neural networks in a highly automated production systems. In: Proceedings of the Firs European Conference on Application of Neural Networks in Industry, Helsinki, Finland.
Tuan-Fang, F., Duen-Ren, L., & Gwo-Hshiung, T. (2007). Rough set-based logics for multi criteria decision analysis. European Journal of Operational Research, 182(1), 340-355.
Vandamme, J.P., Meskens, N., & Superby, J.F. (2007). Predicting academic performance by data mining methods. Education Economics, 15(4), 405-419.
Walczak, B., & Massart, D. L. (1991). Rough sets theory (Tutorial). Chemometrics and Intelligent Laboratory Systems. 47, 1-16.
Wilson, T. (1999). A student selection method and predictors of success in a graduate nursing program. Journal of Nursing Education, 38, 183-187.
Yao, Y.Y. (1996). Two views of the theory of rough sets in finite universes. International Journal of Approximation Reasoning. 15, 291-317.
Leung, Y., Wu, W.Z., & Zhang, W.X. (2006). Knowledge acquisition in incomplete information systems: A rough set approach. European Journal of Operational Research, 168(1), 164–180.
Ziarko, W. (1993). Variable precision rough sets model. Journal of Computer and Systems Sciences, 46(1), 39–59. http:// www.sanjesh.org. September 2013.
http://isna.ir/fa/news/92101507522.
http://www.sanjesh.org.
)