تعیین عوامل تأثیرگذار در آموزش مهندسی و پیش‌بینی افزایش سنوات تحصیلی با رویکرد تصمیم‌گیری چند معیاره و داده‌کاوی (شبکه عصبی مصنوعی)

با توجه به نقش دانشگاه‌ها در آموزش مهندسی، بررسی وضعیت نظام آموزشی و نقاط قوت و ضعف آن به منظور بهبود فرآیند آموزش مهندسی ضرورت دارد. در این تحقیق عوامل موثر بر افزایش سنوات تحصیلی دانشجویان رشته‌های مهندسی و وضعیت دانشجویانی که در سنوات مجاز، تحصیل خودرا به اتمام نمی‌رسانند، بررسی شده‌است. در ابتدا شاخص‌های تاثیرگذار بر افزایش سنوات تحصیلی دانشجویان مهندسی شناسایی و با استفاده از فن AHP اولویت‌بندی شد. نتایج رتبه‌بندی نشان‌داد معدل دروس پایه، معدل دروس اصلی، معدل دروس عمومی، تعداد نیمسال‌های مشروطی، معدل دروس اختیاری و تعداد واحد افتاده از نظر خبرگان بیشترین تاثیر را بر افزایش سنوات تحصیلی دانشجویان مهندسی دارند. سپس به ارائه الگویی برای پیش‌بینی افزایش سنوات تحصیلی با توجه به وضعیت تحصیلی دانشجویان رشته‌های مهندسی با استفاده از شبکه عصبی‌مصنوعی پرداخته‌شد. براساس نتایج شبکه عصبی عوامل تعداد واحد‌های افتاده، معدل دروس اصلی، معدل دروس پایه، تعداد نیمسال‌های مشروطی، مدت تاهل و میانگین معدل دروس ریاضی و فیزیک دبیرستان بیشترین اثرگذاری را بر افزایش سنوات تحصیلی دارند. در نهایت با مقایسه نتایج حاصل از روش AHP و شبکه عصبی، عامل‌های معدل دروس پایه و اصلی، تعداد نیمسال‌های مشروطی و تعداد واحدهای افتاده در هر دو روش عوامل با تاثیرگذاری بیشتر شناخته شدند که در‌حین تحصیل دانشجویان رشته‌های مهندسی باید توجه بیشتری به آنها شود.