عنوان	کاربرد یادگیری ماشین در پشتیبانی از تصمیم گیری برا ی شناسایی دانشجویان در معرض خطر وابستگی به فضای مجاز ی
نوع پژوهش	مقاله ارائه شده
کلیدواژه‌ها	وابستگی به فضای مجازی، یادگیری ماشین، علوم تصمیم، دانشجویان.
چکیده	وابستگی به فضای مجازی به چالشی مهم برای سلامت روان و عملکرد تحصیلی دانشجویان تبدیل شده است. درحالی که مطالعات پیشین وجود رابطه را تأیید کرده‌اند، ابزاری برای پیش‌بینی دقیق و کمّی این امر با توجه به ویژگی‌های ورودی وجود نداشت. هدف این پژوهش، طراحی و ارزیابی یک مدل یادگیری ماشین برای پیش‌بینی میزان وابستگی به عنوان هسته یک سیستم پشتیبان تصمیم بود. مجموعه داده‌ این مطالعه متشکل از ویژگی‌های روان‌شناختی، جمعیت‌شناختی و رفتاری و خروجی آن میزان وابستگی به فضای مجازی بود. در این پژوهش، عملکرد چهار الگوریتم جنگل تصادفی، پرسپترون چندلایه، رگرسیون خطی و KStar با معیارهای RMSE، MAE و R² مقایسه گردید. همچنین، اهمیت ویژگی‌ها با دو روش همبستگی پیرسون و ReliefF تحلیل شد. یافته‌ها نشان داد مدل KStar به دلیل سازگاری با داده‌های ترکیبی، با کمترین خطا و بالاترین ضریب تعیین بهترین عملکرد را دارد. تحلیل اهمیت ویژگی‌ها ماهیت پیچیده و چندبعدی مسئله را آشکار کرد و مشخص شد حذف ویژگی‌های به ظاهر کم‌اهمیت، به دلیل از دست دادن اطلاعات تعاملی، موجب بهبود مدل نمی‌شود. این پژوهش نشان می‌دهد که با استفاده از یادگیری ماشین می‌توان وابستگی به فضای مجازی را با دقت مناسبی پیش‌بینی کرد و خروجی آن مبنای عینی برای طراحی مداخلات هدفمند است. پیشنهاد می‌شود مدل توسعه‌یافته در مطالعات آتی روی نمونه‌های متعدد اعتبارسنجی شده و خروجی آن در چارچوب‌هایی مانند تحلیل پوششی داده‌ها برای تخصیص بهینه منابع حمایتی به کار رود.
پژوهشگران	زینب عباسی (نفر اول)