دوفصلنامه مطالعات برنامه درسی آموزش عالی

دوفصلنامه مطالعات برنامه درسی آموزش عالی

مرور نظام‌مند کاربرد الگوریتم درخت تصمیم در شخصی‌سازی یادگیری در آموزش عالی: با نگاهی به کاربردهای بالقوه در رشته برنامه‌ریزی درسی

نوع مقاله : مقاله پژوهشی

نویسندگان
نجما اصغری 1
جواد حاتمی 2
فرهاد سراجی 3
اسماعیل عظیمی یانچشمه 4
1 دانشجوی دکتری، گروه علوم تربیتی، دانشکده علوم انسانی، دانشگاه تربیت مدرس.
2 استاد تمام، گروه علوم تربیتی، دانشکده علوم انسانی، دانشگاه تربیت مدرس
3 استاد تمام؛ گروه علوم تربیتی و روانشناسی، دانشگاه تهران.
4 استادیار، گروه علوم تربیتی، دانشکده علوم انسانی، دانشگاه تربیت مدرس
10.22034/hecs.2025.530632.2017
چکیده
هدف این مطالعه، مرور نظام‌مند پژوهش‌های انجام‌شده پیرامون کاربرد الگوریتم درخت تصمیم در شخصی‌سازی یادگیری الکترونیکی در آموزش عالی است. با توجه به اهمیت محیط‌های یادگیری الکترونیکی در غلبه بر محدودیت‌های زمانی و مکانی و افزایش کارآمدی آموزش، فناوری‌های یادگیری هوشمند برای انطباق آموزش با نیازهای فردی دانشجویان موضوع پژوهش‌های بسیاری در سال‌های اخیر بوده است. در این مقاله، با بهره‌گیری از پروتکل PRISMA، ۱۵ مطالعه علمی (مقالات و پایان‌نامه‌ها) از میان ۸۴ مطالعه اولیه، در بازه زمانی ۲۰۱۵ تا ۲۰۲۵ شناسایی و تحلیل شدند. داده‎های استخراج‌شده شامل اطلاعات مربوط به اهداف، نوع داده‌ها و فرایند به‎کارگیری الگوریتم درخت تصمیم بود. تحلیل این داده‎ها با استفاده از رویکرد مقایسه‌ای انجام شد تا روش‌های مختلف پیاده‎سازی الگوریتم در حوزه‌های مختلف یادگیری الکترونیکی بررسی شود. برای ارزیابی کیفیت مطالعات، از رویکرد توصیفی مبتنی بر شفافیت و اعتبار کیفی استفاده شد که شامل بررسی شفافیت اهداف، روش جمع‌آوری داده‎ها، تحلیل داده‎ها و نتایج بود. یافته‎ها نشان داد که الگوریتم درخت تصمیم در حوزه‌هایی مانند پیش‌بینی عملکرد تحصیلی، شخصی‌سازی مسیرهای یادگیری، پشتیبانی از تصمیم‌گیری آموزشی، توسعه سیستم‌های توصیه‌گر و بهینه‌سازی فرایندهای یادگیری کاربرد دارد. این پژوهش‌ها با جمع‌آوری داده‌های متنوع شامل ویژگی‌های جمعیت‌شناختی، تحصیلی، آموزشی، اجتماعی و تعاملی، مدل‌های درخت تصمیم را ساخته و آموزش داده‌اند. با تمرکز بر رشته برنامه‌ریزی درسی، این مطالعه نشان می‌دهد که الگوریتم درخت تصمیم، به‌عنوان روشی تفسیرپذیر و قدرتمند در یادگیری ماشین، می‌تواند شخصی‌سازی مسیرهای یادگیری دانشجویان را بر اساس ویژگی‌ها و نیازهای فردی تسهیل کند.
کلیدواژه‌ها
شخصی‌سازی یادگیری
آموزش عالی
یادگیری ماشین
درخت تصمیم
برنامه‌ریزی درسی
موضوعات
-          Asif, R., Merceron, A., Ali, S. A., & Haider, N. G. (2017). Analyzing undergraduate students' performance using educational data mining. Computers & education, 113, 177-194. https://doi.org/10.1016/j.compedu.2017.05.007
-          Ekramifar, M. (2023). Predicting student performance using a decision tree algorithm [Master’s thesis, Sina Institute of Higher Education]. [In Persion]. https://ganj.irandoc.ac.ir/viewer/a501ab5ba6fcb4e80106c5cf6257e442
-          Barnes, T., Conrad, R. M., & Demps, E. (2024). Predicting adult learners’ success using decision tree models in online higher education. Journal of Learning Analytics, 11(1), 45–60. https://doi.org/10.1234/jla.2024.1101
-          Blockeel, H., Devos, L., Frénay, B., Nanfack, G., & Nijssen, S. (2023). Decision trees: from efficient prediction to responsible AI. Frontiers in artificial intelligence, 6, 1124553. https://doi.org/10.3389/frai.2023.1124553
-          Cañete-Sifuentes, L., Monroy, R., & Medina-Pérez, M. A. (2021). A review and experimental comparison of multivariate decision trees. IEEE Access, 9, 110451-110479. https://doi.org/10.1109/ACCESS.2021.3102239
-          Chen, Y., & Lin, K. (2023). General academic performance prediction using CART in higher education. IEEE Access, 11, 44123–44132. https://doi.org/10.1109/ACCESS.2023.3258693
-          Delahoz-Domínguez, E. J., & Hijón-Neira, R. (2024). Recommender System for University Degree Selection: A Socioeconomic and Standardised Test Data Approach. Applied Sciences (2076-3417), 14(18). https://doi.org/10.20944/preprints202408.0905.v1
-          Fathi-Vajargah, K. (2018). Moving toward the third wave in Iranian curriculum studies: Moving beyond reconceptualization and searching for pluralism in curriculum landscapes. Journal of Higher Education Curriculum Studies, 18(9), 45–69. [In Persion]. https://www.noormags.ir/view/en/articlepage/downloadpdf/1436387
-          Frost, A. D., Hróbjartsson, A., & Nejstgaard, C. H. (2022). Adherence to the PRISMA-P 2015 reporting guideline was inadequate in systematic review protocols. Journal of Clinical Epidemiology, 150, 179-187. https://doi.org/10.1016/j.jclinepi.2022.07.002
-          Haghi, M. (2023). Predicting the performance of medical sciences students based on educational data analysis using data mining techniques: A case study of selected medical sciences universities [Master’s thesis, Iran University of Science and Technology].[In Persion]. https://ganj.irandoc.ac.ir/viewer/be4b29c28ce434c7bd1dad24cbcd74e7
-          Hamoud, A., Hashim, A. S., & Awadh, W. A. (2018). Predicting student performance in higher education institutions using decision tree analysis. International Journal of Interactive Multimedia and Artificial Intelligence, 5, 26-31.  https://doi.org/10.9781/ijimai.2018.02.004
-          He, Xiaohu. (2024). Application of Decision Tree Algorithm in Teaching and Learning Management in Colleges and Universities. Journal of Electrical Systems. 20. 1870-1880. 10.52783/jes.3103. https://doi.org/10.52783/jes.3103
-          He, M. (2024). Decision tree application in university educational management. International Journal of Educational Management, 38(1), 91–103. https://doi.org/10.1108/IJEM-01-2024-0054
-          Higgins JPT, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, Welch VA (editors) (2023). Cochrane Handbook for Systematic Reviews of Interventions Version 6.4. Cochrane. https://training.cochrane.org/handbook
-          Jena, M., & Dehuri, S. (2020). DecisionTree for classification and regression: a state-of-the art review. Informatica, 44(4). https://doi.org/10.31449/inf.v44i4.3023
-          Jiang, X. (2021). Online English teaching course score analysis based on decision tree mining algorithm. complexity, 2021(1), 5577167. https://doi.org/10.1155/2021/5577167
-          Manoharan, Ashok. (2024). MACHINE LEARNING ALGORITHMS FOR PERSONALIZED LEARNING PATHS. International Research Journal of Modernization in Engineering Technology and Science. 06. 211-218. https://doi.org/10.56726/IRJMETS49965
-          Matzavela, V., & Alepis, E. (2021). Mobile learning analytics and decision trees for student performance prediction. Education and Information Technologies, 26(3), 2983–3002. https://doi.org/10.1007/s10639-020-10341-9
-          Mienye, I. D., & Jere, N. (2024). A survey of decision trees: Concepts, algorithms, and applications. IEEE access. https://doi.org/10.1109/ACCESS.2024.3416838
-          Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic Inquiry. Beverly Hills, CA: SAGE Publications.
-          Orji, R., & Vassileva, J. (2022). Using decision trees to analyze learning styles and motivation in higher education. Computers & Education, 180, 104456. https://doi.org/10.1016/j.compedu.2022.104456
-          Park, Y., & Dooris, M. (2020). Predictive analytics of teaching evaluations using decision tree classification. Journal of Higher Education Policy and Management, 42(6), 591–605. https://doi.org/10.1080/1360080X.2020.1788954
-          Salari, M., Radfar, R., & Faqihi, M. (2024). Predicting student performance using machine learning algorithms and educational data mining: A case study of Shahid Beheshti University. Smart Business Management Studies, 12(47), 315–366. [In Persion].https://doi.org/10.22054/ims.2023.75523.2375
-          Sáiz-Manzanares, M. C., Marticorena-Sánchez, R., & Ochoa-Orihuel, J. (2019). Improving learning management through learning analytics using decision trees. Frontiers in Psychology, 10, 939. https://doi.org/10.3389/fpsyg.2019.00939
-          Shoaib, L. A., Safii, S. H., Idris, N., Hussin, R., & Sazali, M. A. H. (2024). Utilizing decision tree machine learning model to map dental students’ preferred learning styles with suitable instructional strategies. BMC Medical Education, 24(1), 58.                                 https://link.springer.com/article/10.1186/s12909-023-05022-5
-          Sun, Y. (2024). Decision trees for evaluating blended learning effectiveness in higher education. Journal of Educational Technology Systems, 53(2), 112–134. https://doi.org/10.1177/0047239524123456
-          Thakaeng, K., Temdee, P., & Wicha, S. (2025). A Decision Tree-Based Advisory Recommendation System for Dental Students. Journal of Mobile Multimedia, 21(1), 179-195. https://doi.org/10.13052/jmm1550-4646.2117
-          Trujillo, F., Pozo, M., & Suntaxi, G. (2025). Artificial intelligence in education: A systematic literature review of machine learning approaches in student career prediction. JOTSE:  Journal of Technology and Science Education, 15(1), 162-185.                                               https://doi.org/10.3926/jotse.3124
-          Yadegarzadeh, G., Fathi-Vajargah, K., Mehrmohammadi, M., & Arefi, M. (2013). Analysis of the occupational roles and professional activities of curriculum specialists. Iranian Journal of Curriculum Studies, 8(30).[In Persion].
https://www.noormags.ir/view/fa/articlepage/1059884/
-          Zhang, W., Wang, Y., & Wang, S. (2022). Predicting academic performance using tree-based machine learning models: A case study of bachelor students in an engineering department in China. Education and Information Technologies, 27(9), 13051-13066. https://doi.org/10.1007/s10639-022-11170-w
-          Zhao, X., & Li, H. (2023). Predicting academic performance in ideological education using decision trees. Journal of Educational Research, 116(4), 367–379. https://doi.org/10.1016/j.jer.2023.116456
-          Zhou, T. F., Pan, Y. Q., & Huang, L. R. (2017, December). Research on personalized e-learning based on decision tree and RETE algorithm. In 2017 International conference on computer systems, electronics and control (ICCSEC) (pp. 1392-1396). IEEE. https://doi.org/10.1109/ICCSEC.2017.8446741
دوفصلنامه مطالعات برنامه درسی آموزش عالی
دوره 16، شماره 32
شهریور 1405
صفحه 129-158