نوع مقاله : مقاله پژوهشی

نویسندگان

• مه سیما اربابی ¹
• ابراهیم خدایی ²
• کیوان صالحی ³

¹ دانشجوی دکترا

² Khodaie, Ebrahim, Full Professor, Educational Psychology Dept., Faculty of Psychology and Educational Sciences, Tehran University, Tehran, Iran.

³ Keyvan, Salehi, Associate Professor, Educational Psychology Dept., Faculty of Psychology and Educational Sciences, Tehran University, Tehran, Iran.

چکیده

رتبه‌بندی داوطلبان آزمون سراسری یکی از مراحل کلیدی در فرآیند پذیرش دانشگاهی است. روش‌های سنتی رتبه‌بندی که بر پایه ترکیب خطی نمرات تراز استوارند، با محدودیت‌هایی نظیر عدم توجه به توزیع داده‌ها و همبستگی میان متغیرها مواجه هستند. این پژوهش با هدف ارتقای فرآیند رتبه‌بندی، از تحلیل مؤلفه‌های اصلی (PCA) برای کاهش ابعاد داده‌ها و از فاصله ماهالانوبیس برای تعیین رتبه داوطلبان بهره برده است. جامعه آماری این مطالعه شامل ۱۲۶,۷۲۸ داوطلبان آزمون سراسری در گروه آزمایشی علوم ریاضی و فنی در سال ۱۴۰۰ بود که پس از حذف داده‌های گمشده در متغیرها، تعداد داده‌های مورد تحلیل به ۱۱۰,۵۵۰ مورد کاهش یافت. داده‌ها پس از پیش‌پردازش، با استفاده از تحلیل مؤلفه‌های اصلی کاهش بعد داده و سپس با روش فاصله ماهالانوبیس رتبه‌بندی شدند. برای تحلیل داده‌ها از نرم‌افزارهای SPSS و پایتون استفاده شد. نتایج پژوهش نشان داد که روش پیشنهادی در مقایسه با روش سنتی، از دقت بالاتری در تفکیک داوطلبان برخوردار است و توانایی حفظ اطلاعات کلیدی را دارد و در نتیجه، زمینه را برای پذیرش دانش آموزانی فراهم کند که از نظر دانش در دروس تخصصی در سطح بالاتری قرار دارند و شایستگی علمی بیشتری برای ورود به دانشگاهها و موسسات آموزش عالی دارند. این یافته‌ها حاکی از آن است که تلفیق تحلیل مؤلفه‌های اصلی و فاصله ماهالانوبیس می‌تواند رویکردی مؤثرتر برای رتبه‌بندی داوطلبان آزمون سراسری ارائه دهد و زمینه‌ساز بهبود روش‌های کنونی شود.

کلیدواژه‌ها

• آزمون سراسری
• ترکیب خطی نمرات تراز
• تحلیل مؤلفه‌های اصلی
• رتبه‌بندی چند متغیره
• فاصله ماهالانوبیس

عنوان مقاله [English]

Comparing the current method of ranking the national entrance exam of Iranian universities (linear combination of normalized scores) with the principal component analysis method and Mahalanobis distance

نویسندگان [English]

• mahsima arbabi ¹
• Ebrahim Khodaie ²
• Keyvan Salehi ³

¹ student

² Khodaie, Ebrahim, Full Professor, Educational Psychology Dept., Faculty of Psychology and Educational Sciences, Tehran University, Tehran, Iran.

³ Keyvan, Salehi, Associate Professor, Educational Psychology Dept., Faculty of Psychology and Educational Sciences, Tehran University, Tehran, Iran.

چکیده [English]

Ranking candidates in the national university entrance examination is a pivotal step in the academic admission process. Traditional ranking methods, which rely on the linear combination of standardized scores, face limitations such as neglecting data distribution and correlations among variables. This study aims to enhance the ranking process by employing Principal Component Analysis (PCA) to reduce data dimensionality and Mahalanobis distance to determine candidate rankings. The study population consisted of 126,728 candidates from the mathematics and technical sciences group in the 2021 national entrance examination, with the analyzed dataset reduced to 110,550 cases after removing missing data. Following preprocessing, the data underwent dimensionality reduction using PCA and subsequent ranking via Mahalanobis distance. Data analysis was conducted using SPSS and Python software. The results indicate that the proposed method outperforms the traditional approach in differentiating candidates, while retaining critical information. Consequently, it facilitates the admission of students with superior specialized knowledge and greater academic merit for entry into universities and higher education institutions. These findings suggest that integrating PCA and Mahalanobis distance offers a more effective approach to ranking examination candidates, paving the way for improvements in current methodologies.

کلیدواژه‌ها [English]

• Keywords: National entrance examination
• linear combination of standardized scores
• principal component analysis
• multivariate ranking
• Mahalanobis distance