تحلیل یک دهه از نمرات دانشجویان دانشکدۀ مهندسی برق دانشگاه صنعتی شریف، با استفاده از پردازش سیگنال های گرافی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در پژوهش حاضر، به بررسی عملکرد تحصیلی دانشجویان و شناسایی الگوهای مؤثر بر موفقیت یا افت تحصیلی آنان، با استفاده از ابزارهای پردازش سیگنال گرافی، می پردازیم. جامعه آماری بررسی شده شامل دانشجویان کارشناسی دانشکده مهندسی برق دانشگاه صنعتی شریف، در بازه زمانی 1390 1400، و داده های پژوهشی شامل نمرات دانشجویان در دروس گوناگون، شاخه های تخصصی (گرایش) و زمان پذیرش هر درس است. شایان ذکر است که از تمامی داده ها استفاده و از نمونه گیری پرهیز شده است. در روش استفاده شده، هر دانشجو را یک گره در یک گراف در نظر گرفته و گره ها را، براساس مشابهت عملکرد تحصیلی، به صورت وزن دار متصل کرده ایم. سپس، با استفاده از اتصالات گراف، تطابق نمرات دروس خاص را با عملکرد کلی دانشجویان بررسی کرده ایم. نتایج نشان دهنده تطابق نداشتن نمرات برخی از دروس با عملکرد کلی دانشجویان است که ممکن است به تنوع سیاست های نمره دهی و سبک های آموزشی مرتبط باشد. این بازخورد به بهبود شیوه نمره دهی کمک می کند. همچنین ارزیابی ها نشان می دهد انتخاب گرایش دانشجویان تنها در 44 درصد از موارد با توانایی آنان همخوانی دارد. در تحلیلی دیگر، مشخص شد نمرات 5 درصد از دانشجویان در دوران همه گیری کرونا رشد چشمگیری داشته که ممکن است به تقلب نظام مند در امتحانات مجازی اشاره داشته باشد.ANALYSIS OF A DECADE OF STUDENT GRADES IN THE ELECTRICAL ENGINEERING DEPARTMENT AT SHARIF UNIVERSITY OF TECHNOLOGY USING GRAPH SIGNAL PROCESSING
In this research, we examine the academic performance of students and identify patterns influencing their success or decline using graph signal processing tools. The study focuses on undergraduate students from the Department of Electrical Engineering at Sharif University of Technology during 2011-2021. The research data includes students’ grades in various courses, their specializations (majors), and the timing of course enrollment. Importantly, all data was utilized, and no sampling was applied. Each student is represented as a node in a graph, and the nodes are connected through weighted edges based on the similarity of academic performance. Using the graph connections, we evaluate how well the grades of specific courses align with the overall performance of the students. The results indicate a lack of alignment between the grades of certain courses and the overall performance of the students, which may be attributed to varying grading policies and teaching styles. This feedback can help improve grading practices. Additionally, the analysis shows that students’ major choices align with their abilities in only 44% of cases. Another analysis observed that during the COVID-19 pandemic, 5% of students experienced a significant increase in their grades, possibly indicating systematic cheating in online exams.
تبلیغات
