مدیریت سازمان‌های دولتی

با همکاری مشترک دانشگاه پیام نور و انجمن مدیریت دولتی ایران و انجمن مدیریت رفتار سازمانی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

داده‌کاوی دانشجویان انصرافی دانشگاه پیام نور استان تهران به‌منظور افزایش نرخ ماندگاری دانشجو (جلوگیری از رویگردانی مشتری)

نویسندگان

1 استاد گروه مدیریت دولتی، دانشگاه پیام نور، تهران، ایران.

2 کارشناسی ارشد گروه مدیریت فناوری اطلاعات، دانشگاه تهران، تهران، ایران.

چکیده

از چالش‌های پیش‌روی مؤسسات آموزشی بالأخص مؤسسات آموزش عالی غیرانتفاعی کسب درآمد جهت تحقق اهداف است اما انصراف دانشجو در نقطه مقابل قرار دارد. با شناسایی دانشجویان انصرافی می­توان با اتخاذ سیاست‌های پیشگیرانه و حمایتی از کاهش وجهه مؤسسه جلوگیری و امیدوار به جذب درآمد مورد انتظار شد. این تحقیق با استفاده از داده­کاوی اطلاعات دانشجویان انصرافی دانشگاه پیام نور استان تهران طی سال‌های 91 تا 94 قصد دارد دانشجویان در معرض خطر را شناسایی کند. داده‌ها از سامانه آموزش استخراج و از 20 صفت محتملی مؤثر در انصراف مدلی با دقت 92٪ شناسایی شد. در مدل مذکور 6 مشخصة مستقل (سن، گروه، مقطع و دورة تحصیلی، مشروطی و جنسیت) و یک مشخصه وابسته (سنوات) شناسایی و متعاقباً درجه اهمیت مشخصه‌های دخیل در انصراف و ارتباط آن‌ها با یکدیگر تعیین شد. احتمال خطر انصراف (ریسک ریزش) اولویت‌بندی و جدول خطر احتمال برای ترم‌های مختلف ارائه شد. یافته‌ها حکایت از شناسایی سن به‌عنوان مهم‌ترین عامل دارد. از نظر سنی در کارشناسی دستة سنی 21-18 در ارشد 26-22 و در دکتری 31-29 پرخطرترین گروه‌ها هستند. از لحاظ دورة تحصیلی در کارشناسی و دکتری دورة رسمی و در ارشد دورة آموزشی پژوهشی رسمی پرخطرترین دوره می‌باشند. نرخ انصراف‌ برای دانشجویان 19 و 20 سال در ترم سوم تقریباً 50 درصد است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Data mining withdrawal of the students of Payme Noor University in Tehran state to increase student retention rate (Preventing customer rejection)

نویسندگان [English]

  • Saied Ali Akbar Ahmadi 1
  • Toraj Khairatikazerooni 2

1 Professor of Department of Management, Payame Noor University, Tehran, Iran.

2 . Ph.D of Department of Information Technology Management, Tehran of University, Tehran, Iran.

چکیده [English]

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 policies 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 91-94. Data were extracted from the education system. Of the 20 potentially effective attributes, a 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 (risk of attention) and risk ranking table for different terms were presented. Findings indicate that age is the most important factor. From a Sunni point of view, the bachelor degree is between the ages of 21-18 in the senior age group of 26-22 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 aged 19 and 20 are about 50% in the third semester.

کلیدواژه‌ها [English]

  • student withdraws
  • retention students
  • prevent customer churn
  • Baizian network
  • self-learner's response algorithms
مراجع
شهرابی، جمال (1390). داده‌کاوی. تهران: جهاد دانشگاهی، واحد دانشگاه صنعتی امیر کبیر، 71-24.
شهرابی، جمال (1392). داده‌کاوی با کلمنتاین. تهران: جهاد دانشگاهی، واحد دانشگاه صنعتی امیر کبیر، 170-268
کلانتری، خلیل (1391). پردازش و تحلیل داده‌ها در تحقیقات اجتماعی _ اقتصادی با استفاده از نرم‌افزار SPSS. تهران: فرهنگ صبا، 344-329.
 
Baker, R. & Yosef, K. (2009). “The state of educational data mining in 2009: A review and future visions”. Journal of Educational Data Mining, 1(1), 3-17.
Bienkowski M., Feng M. & Means B. (2012). Enhancing teaching and learning through educational data mining and learning analytics: An issue brief. tech. rep, U.S. Department of Education, Office of Educational Technology, Center for Techonolgy in Learning, SRI International, 1, 1-57.
Bogard, M. & James, C. (2012). Using SAS Enterprise BI and SAS Enterprise Miner TM to Reduce Student Attrition. tech. rep, Paper presented at the 2012 SAS Global Forum, Orlando, FL.  1-10.
Bogard, M. (2013). A Data Driven Analytic Strategy for Increasing Yield and Retention at Western Kentucky University Using SAS Enterprise BI and SAS Enterprise Miner. tech. rep, SAS Global Forum 2013 Proceedings. Cary, NC: SAS® Institute, 1-12 .
Campbell J. P. & Oblinger D. G. (2007), “Academic Analytics A New Tool for a New Era”. Educause Review, 42(4), 40-57.
Chin, K.S., Tang, D.W., Yang, J. B. & Wong, S. Y. & Wang H. (2009). Assessing new product development project risk by Bayesian network with a systematic  probability generation methodology.  Expert Systems with Applications journal, 36(6), 9879-9890.
Ho Yu, C., DiGangi, S., Jannasch-Pennell, A.  & Kaprolet, Ch. (2010). “A Data Mining Approach for Identifying Predictors of Student from sophomore to Junior Year”. Journal of Data Science, 8(2), 307-325.
Sanjeev A. P. & Zytkow J. M.(1995), “Discovering Enrollment Knowledge in University. Databases Regularities (1995),” Data mining approach to student retention”. 1st International Conference on Knowledge Discovery and Data Mining (KDD-95), 246-251.
Dekker, G., Pechenizkiy, M. & Vlees-houwers, J. (2009). “Predicting students drop out: a case study”. In 2nd International Educational Data Mining Conference, 2, 41-50.
Druzdzel, M. & Glymour, C. (2009). Application of the TETRAD II program to the study of student retention in US colleges. in AAAI-94 Workshop on Knowldege Discovery in Databases, KDD94, 419-430.
Laura, E.,  Baron, J. D., Devireddy, M. & Sundararaju, V. (2012). Mining Academic Data to Improve College Student Retention: An Open Source Perspective. In International Conference on Learning Analytics and Knowledge, 12, 139-142 .
Emmet, C.  & Mark, A.  (2013). Lead­ing on the Edge of Chaos, Prentice Hall Press; 1st edition.
García, E. & Romero, C. Ventura S. & de Castro, C. (2011). “A collaborative educational association rule mining tool”. The Internet and Higher Education Journal ,14(2), 77–88.
Grebennikov, L. & Shah, M. (2012). “Investigating attrition trends in order to improve student retention”. Quality Assurance in Education, 20(3), 223–236.
Han, J. & Kamber, M. (2006). Data Mining Concepts and Technique. Elsevier, Third Edition,  7-40.
Herzog, S. (2005). “Measuring Determinants of Student Return VS. Dropout/Stopout VS. Transfer: A First-to-Second Year Analysis of New Freshmen”. Research in Higher Education, 46, 883–928.
Herzog, S. (2010). “Estimating student retention and degree completion time: Decision trees and neural networks Vis-à-Vis regression”. New Directions for Institutional Research, 131 ,17-33.
Huebner, R. A. (2012). “A Survey of Education Data Mining Research”. Research in Higher Education Journal, 1–13.
Jiawei Han and Micheline Kamber (2006). Data Mining Concepts and Techniques. Elsevier, Second Edition, 7-9.
Lykourentzou, I., Giannoukos, I., Nikolopoulos, V., Mpardis G. & Loumos, V. (2009).  “Dropout prediction in e-learning courses through the combination of machine learning techniques”. Computers & Education, 53, 950–965.
Mello, S. K. D., Calvo, R. A. & Eds, A. O. (2013). “student retention, case study”. Proceedings of the 6th International Conference on Educational Data Mining, 316-317.
Mohammed Zafaruddin, G. H. & Jadhav, H. (2013). “Data mining approach to student­ retention”. International Monthly Refereed Journal of Research In Management & Technology, 2, 98-102
Nandeshwar A. and Chaudhari S. (2009), “Enrollment prediction models using data mining”. Retrieved January journal, 2, 1-17.
Owens, J. (2009). “Student Withdrawal from Higher Education information”. Tech. Rep DCELLS Welsh Assembly Government, 22-63.
Pittman, K. (2008). Comparison of data mining techniques used to predict student retention. PhD thesis, Nova Southeastern University, (UMI No. 3297573, 48-73.
Romero, C. & Ventura, S. (2013). “Data mining in education”. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1), 12–27.
Scott, G., Shah, M., Grebennikov, L. & Singh, H. (2008). “Improving student retention: A University of Western Sydney case study”. Journal of Institutional Research, 14(1), 9-23.
Superby, J., Vandamme, J. & Meskens, N. (2006). “Determination of factors influencing the achievement of the first-year university students using data mining methods”. In Workshop on Educational Data Mining, 37-44.
Zhang, Y., Oussena, S., Clark, T. & Kim H. (2010). Use Data Mining To Improve Student Retention in Higher Education - A Case Study. in 12th International Conference on Enterprise Information Systems (ICEIS), 190-197.
Zlatko (2010). Early prediction of student success: Mining students enrolment data. in Informing Science & IT Education Conference (In SITE), 647-665.
Scheuer, O. & McLaren, B. M. (2011). “Educational Data Mining”. In the Encyclopedia of the Sciences of Learning, Springer, 1075-1079.
Thearling K. (2013),. “An Introduction to Data Mining”. Research In Management & Technology journal, 39(2), 105.
Zaiane, O. R.(2013). Introduction to Data Mining. CMPUT690 Principles of Knowledge Discovery in Databases. Department of Computer Science, University of Alberta, 1-15.
مدیریت سازمان‌های دولتی
دوره 7، شماره 2 (پیاپی 26) - شماره پیاپی 26
فروردین 1398
صفحه 47-58
فایل ها
سابقه مقاله
  • تاریخ دریافت: 16 تیر 1397
  • تاریخ بازنگری: 07 آبان 1397
  • تاریخ پذیرش: 12 دی 1397
هم رسانی
ارجاع به این مقاله
آمار