فصلنامه اندازه گیری تربیتی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

راهنمای نگارش مقاله

فایل ها

داوران سال 1398

داوران سال 1399

داوران سال 1400

داوران سال 1401

برآورد تعداد خوشه‌ها در تکنیک طبقه‌بندی ماتریس‌های نامنفی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری رشته سنجش و اندازه ‏گیری، دانشگاه علامه طباطبائی، تهران، ایران

2 دانشیار گروه سنجش و اندازه ‏گیری، دانشگاه علامه طباطبائی، تهران، ایران

3 استاد گروه سنجش و اندازه ‏گیری، دانشگاه علامه طباطبائی، تهران، ایران

4 دانشیار گروه سنجش و اندازه گیری، دانشگاه علامه طباطبائی، تهران، ایران.

چکیده

استفاده از روش‌ها و تکنیک‌های مختلف در جهت رسیدن به بهترین نتایج و ایجاد هم‌افزایی بین آن‌ها می‌تواند در بسیاری از مسائل راه‌گشا و کمک کننده باشد. داده‌کاوی آموزشی یکی از حوزه‌های نسبتاجدیدی است که می‌توان به کمک آن در حل مسائل آموزشی و بویژه مسائل حوزه سنجش و اندازه‌گیری اقدام کرد. اما قبل از استفاده از این روش‌ها باید تا حد امکان با ان آشنا شده و مشکلات و معایب و مزایای آن مورد بررسی قرار گیرد. در این پژوهش نیز هدف بررسی تکنیک طبقه‌بندی ماتریس‌ها نامنفی و چگونگی تعیین تعداد خوشه‌ها قبل از اجرای مدل است. روش اجرای پژوهش از نوع توصیفی و جامعه مورد مطالعه تمامی حاضرین جلسه کنکور رشته علوم ریاضی و فنی در سال 1398 است که از این تعداد 5000 نفر به صورت تصادفی توسط سازمان سنجش و آموزش کشور انتخاب و در اختیار پژوهشگر قرار گرفت. ابزار پژوهش سؤالات حسابان و هندسه کنکور است. نتایج این تحلیل نشان داد که در برآورد تعداد خوشه‌های سؤالات حسابان اختلاف وجود دارد ولی در مورد سؤالات هندسه نتایج تمامی روش‌ها یکسان بود. با توجه به اختلاف مشاهده شده پیشنهاد می‌شود که در پژوهش‌های آتی با کمک شبیه‌سازی داده به بررسی دقیق‌تر این مسأله پرداخته شود.

کلیدواژه‌ها

عنوان مقاله [English]

Estimation of the number of cluster in nonnegative matrix factorizations

نویسندگان [English]

  • Reyhane Rahimi 1
  • jalil Younesi 2
  • Ali Moghadamzade 3
  • Mohammad Asgari 4

1 Ph.D. Student in Measurement and Measurement Dept., Allameh Tabataba’i University, Tehran, Iran

2 Associate Professor, Measurement and Measurement Dept., Allameh Tabataba’i University, Tehran, Iran

3 Distinguished Professor, Measurement and Measurement Dept., Allameh Tabataba’i University, Tehran, Iran

4 Associate Professor, Measurement and Measurement Dept., Allameh Tabataba’i University, Tehran, Iran

چکیده [English]

Using different methods and techniques to achieve the best results and create synergies between them can be helpful in many issues. Educational data mining is one of the relatively new fields that can be used to solve educational problems, especially problems in the field of measurement. But before using these methods, it should be as familiar as possible and its problems, disadvantages and advantages should be examined. In this study, the aim is to investigate the technique of nonnegative matrix factorizations and how to determine the number of clusters before implementing the model. The research method is descriptive and the study population is all those present at the entrance exam for mathematics and technical sciences in 1398, of which 5,000 people were randomly selected by the country's assessment and education organization and provided to the researcher. The research tool is math questions and entrance exam geometry. The results of this analysis showed that there is a difference in estimating the number of clusters of math questions, but in the case of geometry questions, the results of all methods were the same. Due to the observed differences, it is suggested that in future research with the help of data simulation, this issue will be examined in more detail.

کلیدواژه‌ها [English]

  • education data mining
  • nonnegative matrix factorizations
  • math
  • geometry
مراجع
تیلور، کاترین اس. (1398). روایی و رواسازی. ترجمه جلیل یونسی. تهران: انتشارات دانشگاه علامه طباطبائی.
سرمد، زهره، بازرگان، عباس و حجازی، الهه. (1391). روش‌های تحقیق در علوم رفتاری. تهران: نشر آگاه.
 
 
References
Baepler, P., & Murdoch, C. J. (2010). Academic analytics and data mining in higher education. International Journal for the Scholarship of Teaching and Learning, 4(2), 1-9.
Barnes, T. M. (2003). The q-matrix method of fault-tolerant teaching in knowledge assessment and data mining.‏
Berkhin, P. (2006). A survey of clustering data mining techniques. In Grouping multidimensional data (pp. 25-71). Springer, Berlin, Heidelberg.
Brunet, J. P., Tamayo, P., Golub, T. R., & Mesirov, J. P. (2004). Metagenes and molecular pattern discovery using matrix factorization. Proceedings of the national academy of sciences, 101(12), 4164-4169.
Carthy, A., Gray, G., McGuinness, C., & Owende, P. (2014). A review of psychometric data analysis and applications in modelling of academic achievement in tertiary education.‏
Casalino, G., Castiello, C., Del Buono, N., Esposito, F., & Mencar, C. (2017, July). Q-matrix extraction from real response data using nonnegative matrix factorizations. In International Conference on Computational Science and Its Applications (pp. 203-216). Springer, Cham.‏
Chang, W. C., & Yang, H. C. (2009). Applying IRT to Estimate Learning Ability and K-means Clustering in Web based Learning. JSW, 4(2), 167-174.‏
Chavent, M., Kuentz, V., Liquet, B., & Saracco, L. (2011). ClustOfVar: An R package for the clustering of variables. arXiv preprint arXiv:1112.0295.
Freitas, A. A. (2002). Data mining and knowledge discovery with evolutionary algorithms. Springer Science & Business Media.‏
Hand, D. J., Mannila, H., & Smyth, P. (2001). Retrieval by Content.
Hutchins, M. J., & Sutherland, J. W. (2008). An exploration of measures of social sustainability and their application to supply chain decisions. Journal of cleaner production, 16(15), 1688-1698.
‏ Jose, P. E. (2013). Doing statistical mediation and moderation. Guilford Press.
Kerr, D., & Chung, G. K. (2012). Identifying key features of student performance in educational video games and simulations through cluster analysis. JEDM| Journal of Educational Data Mining, 4(1), 144-182.‏
Larose, D. T., & Larose, C. D. (2014). Discovering knowledge in data: an introduction to data mining (Vol. 4). John Wiley & Sons.
Man, K., Harring, J. R., & Sinharay, S. (2019). Use of data mining methods to detect test fraud. Journal of Educational Measurement, 56(2), 251-279.
Mislevy, R. J., Behrens, J. T., Dicerbo, K. E., & Levy, R. (2012). Design and discovery in educational assessment: Evidence-centered design, psychometrics, and educational data mining. Journal of educational data mining, 4(1), 11-48.
Nguyen, D. Q., Nguyen, T. D., Nguyen, D. Q., & Phung, D. (2017). A novel embedding model for knowledge base completion based on convolutional neural network. arXiv preprint arXiv:1712.02121.
Peña-Ayala, A. (Ed.). (2013). Educational data mining: applications and trends (Vol. 524). Springer.‏
Pardos, Z. A., & Dadu, A. (2018). dAFM: Fusing Psychometric and Connectionist Modeling for Q-matrix Refinement. JEDM Journal of Educational Data Mining, 10(2), 1-27.‏
Reimann, C., Filzmoser, P., Garrett, R., & Dutter, R. (2011). Statistical data analysis explained: applied environmental statistics with R. John Wiley & Sons.‏
Schumann, J. A. (2005). Data mining methodologies in educational organizations. University of Connecticut.‏
Wu, H. (2013). Comparison of General Diagnostic Models (GDM) and Bayesian Networks Using a Middle School Mathematics Test.‏
Yu, Z. (2009). Optimization techniques in data mining with applications to biomedical and psychophysiological data sets. Theses and Dissertations, 274.‏
فصلنامه اندازه گیری تربیتی
دوره 13، شماره 50
دی 1401
صفحه 133-150
فایل ها
هم رسانی
ارجاع به این مقاله
آمار