عنوان پایان‌نامه
ارزیابی کیفیت فرآیند تدریس و یادگیری در آموزش عالی کشاورزی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: پردیس کشاورزی و منابع طبیعی دانشگاه تهران و دانشکده کشاورزی دانشگاه فردوسی مشهد)
- رشته تحصیلی
- مهندسی کشاورزی - آموزش کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 5297;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 57431
- تاریخ دفاع
- ۰۹ بهمن ۱۳۹۱
- دانشجو
- فاطمه رجبیان غریب
- استاد راهنما
- سیدیوسف حجازی
- چکیده
- هدف از این مطالعه تعیین و ارزیابی کمی موقعیت کیفی فرآیند تدریس و یادگیری در مراکز آموزش عالی کشاورزی می‌باشد. برای این منظور از توانمندی شبکه‌های عصبی مصنوعی(ANN ) با استفاده از نرم افزار NeuroSolutions 5.0 در مدلسازی روابط غیرخطی و الگوریتم یادگیری GDMبرای بررسی و ارزیابی مدلهای مختلف سنجش کیفیت خدمات استفاده شده است. نمونه پژوهش شامل 269 نفر از دانشجویان تحصیلات تکمیلی پردیس کشاورزی و منابع طبیعی دانشگاه تهران (UTCAN) و 202 نفر از دانشجویان تحصیلات تکمیلی دانشکده کشاورزی دانشگاه فردوسی مشهد (FAFU) است. به منظور بررسی و ارزیابی کیفیت فرآیند تدریس و یادگیری از چهار مدل سروپروف غیر وزنی، سروکوآل غیر وزنی، سروپرف وزنی و سروکوآل وزنی استفاده گردید. نتایج حاصل ازبکارگیری رویکرد شبکه های عصبی مصنوعی نشان داد که در هر دو نمونه، مدل سروکوآل وزنی با دقت بیشتری قادر به ارزیابی کیفیت تدریس و پیش بینی رضایت می‌باشد. در FAFU این مدل با معماری 1-14-29-7، به عنوان بهترین توپولوژی شبکه برای تخمین ارزیابی کیفیت انتخاب شد. این معماری دارای ضریب همبستگی96/0 بوده و مقادیر MAE، MSE به ترتیب 18/0، 06/0و MAPEآن 41/4 درصد است، در UTCAN این مدل با معماری 1-4-6-7، به عنوان بهترین توپولوژی شبکه برای تخمین ارزیابی کیفیت انتخاب شد. این معماری دارای ضریب همبستگی 95/0 بوده و مقادیر MAE، MSE آن به ترتیب 48/0، 35/0 و MAPE 37/13 درصد است. تحلیل حساسیت مدل شبکه UTCAN نشان داد که وضعیت موجود کیفیت تدریس بیشترین حساسیت را به مهارتهای ارتباطی و کمترین حساسیت را به مدیریت تدریس دارد و تحلیل حساسیت مدل شبکه عصبی FAFU نشان داد که کیفیت تدریس بیشترین حساسیت را به تسلط بر محتوا و کمترین حساسیت را به رعایت مسائل اخلاقی دارد و مقایسه نتایج رگرسیون لجستیک ترتیبی(OLR) وANN نشان می‌دهد که ANN توانایی بیشتری برای مدلسازی نگرش دانشجویان دارد. همچنین روابط بین متغیرهای پژوهش با استفاده از آزمونهای پارامتری و ناپارامتری و تحلیل همبستگی در نرم افزار SPSS 18 بررسی شد.
- Abstract
- The aim of this study is determining and evaluating of the quality position of teaching and learning process. So the artificial neural networks by using NeuroSolutions 5.0 software modeling nonlinear relations and GDM learning algorithm were used to inspect and evaluate different models of service quality evaluation Altogether, 269 M.Sc. and Ph.D. students of UTCAN and 202 M.Sc. and Ph.D. students of FAFU were selected in this study For evaluating the quality of teaching and learning process, four models were used with ANN; including non-weighted Servprof, non-weighted Servqual, weighted Servprof and weighted Servqual. The results of the ANN method in both samples showed that weighted Servqual model is more accurate to evaluate the quality of teaching and predict satisfactory. In FAFU the model with7-29-14-1 architecture, was selected as the best solution to estimate the quality. This architecture has the best results with R (0.96), MAE(0.18), MSE (0.06) and MAPE (4.41%) between the actual and model values. In UTCAN the model with7-6-4-1 architecture, was selected as the best solution to predict the quality. This architecture has the best results with R (0.95), MAE(0.48), MSE (0.35) and MAPE (13.37%) between the actual and model values. ANN model sensitivity analysis in UTCAN showed that the situation of teaching quality has highest sensitivity to communication skills and the lowest sensitivity to teaching management and ANN model sensitivity analysis in FAFU showed that the situation of teaching quality has highest sensitivity to mastery of content and the lowest sensitivity to observance of ethical issues. Comparison of ordinal logistic regression (OLR) and ANN results has shown that ANN modeling approach is able in modeling students' attitudes mor closely. Also relationships between variables by parametric and non-parametric tests, and correlation analysis through SPSS: win 18 software were investigated.
