دانلود پروژه داده کاوی در جهت ارتقای وبهبود آموزش عالی (docx) 101 صفحه

دسته بندی : تحقیق

نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )

تعداد صفحات: 101 صفحه

قسمتی از متن Word (.docx) :

دانشگاه آزاد اسلامی واحد ماهشهر موضوع پروژه : داده کاوی در جهت ارتقای وبهبود آموزش عالی چکیده  کتابخانه ها و موسسات آموزشی با مشکل مدیریت کارآمد بار سنگین داده ها که دائما نیز در حال افزایش است روبرو می باشند. نرم افزارهای کامپیوتری بکارگرفته شده برای این منظور ، غالبا فقط برای پرس و جوهای معمولی و پشتیبانی از مسائل مدیریتی و برنامه ریزی کوتاه مدت اداری جوابگو هستند . در حالیکه در عمق درون این حجم داده ها ، الگوها و روابط بسیار جالبی میان پارامترهای مختلف بصورت پنهان باقی میماند . داده کاوی یکی از پیشرفتهای اخیر در حوزه کامپیوتر برای اکتشاف عمیق داده هاست . داده کاوی از اطلاعات پنهانی که برای برنامه ریزیهای استراتژیک و طولانی مدت میتواند حیاتی باشد پرده برداری میکند . این تكنولوژي يكي از روشهاي سودمند در يافتن اطلاعات مفيد در بين حجم عظيمي از اطلاعات است . داده كاوي با كشف الگوها و روابط بين داده ها ، ارزشهاي پنهاني آنها را آشكار مي نمايد و با كشف اين ارزشها مي توان ارزشهاي ديگر متغيرها را پيش بيني كرد و در امر تصميم گيري از آن بهره جست . در این پروژه ماابتدا به تعریف داده کاوی ومفاهیم دقیق آن پرداخته ایم ، سپس مفهومی ازآموزش عالی را بیان کرده ایم ودر انتها نیز تاثیر داده کاوی را در بالا بردن سطح آموزش عالی بررسی کرده ایم . اَللّهُمَّ كُنْ لِوَلِيِّكَ الْحُجَّةِ بْنِ الْحَسَنِ صَلَواتُكَ عَلَيْهِ وَعَلى آبائِهِ في هذِهِ السّاعَةِ وَفي كُلِّ ساعَةٍ وَلِيّاً وَحافِظاً وَقائِداً وَناصِراً وَدَليلاً وَعَيْناً حَتّى تُسْكِنَهُ أَرْضَكَ طَوْعاً وَتُمَتِّعَهُ فيها طَويلاً . تقدیم به انکه که همگان منتظر ظهورش اند... تقدیر وتشکر فراوان از استاد گرامی جناب آقای مهندس صفایی که مارا در انجام این پروژه یاری کردند . قایقی خواهم ساخت ، خواهم ا نداخت به آب . دور خواهم شد از این خاک غریب ، که در آن هیچکس نیست که در این بیشه عشق ، قهرمانان را بیدار کند. قایق از تور تهی ، ودل در آرزوی مروارید ، همچنان خواهم راند . نه به آبی ها دل خواهم بست ، نه به دریا ، پریانی که سراز آب بدر می آرند . همچنان خواهم راند . همچنان خواهم راند . سهراب سپهری فهرست مطالب فصل اول : داده کاوی مقدمه..........................................................................................................................10 سابقه داده کاوی.........................................................................................................11 معرفی دانش داده کاوی.............................................................................................12 1.3.داده کاوی (Data Mining) چیست ؟..................................................................13 2.3.تعریف داده کاوی.....................................................................................................153.3.مفهوم داده کاوی.....................................................................................................15 ریشه های داده کاوی................................................................................................17 فنون داده کاوی........................................................................................................18 مراحل داده کاوی......................................................................................................19 عوامل ايجاد داده كاوي.............................................................................................21 مزاياي داده كاوي......................................................................................................22 مراحل فرايند کشف دانش از پايگاه داده ها............................................................22 جایگاه داده کاوی در علوم مختلف..........................................................................24 کاربردهای داده کاوی...............................................................................................25 عملكردهاي جاري داده كاوي..................................................................................27 داده کاوی در تولید چهار نوع دانش مفید است.....................................................27 داده کاوی موفق.......................................................................................................28 نمونه های از سيستم هاي داده كاوي.....................................................................28 1.15.مثال تفهیمی در مورد داده کاوی.......................................................................29 نرم‌ افزارهاي داده‌كاوی...........................................................................................30 1.16. معرفی نرم افزار داده کاوی...............................................................................30 محدودیت های داده کاوی......................................................................................31 فصل دوم : آموزش عالی تاریخچه آموزش عالی در ایران...............................................................................33 1.1.پیش از اسلام........................................................................................................33 2.1. دوران اسلامی......................................................................................................33 3.1. دوره معاصر..........................................................................................................34 4.1. اولین دانشگاه جامع ایران.....................................................................................35 5.1. آغاز آموزش عالی علوم پزشکی نوین.....................................................................36 6.1. دوران پهلوی دوم و توسعه....................................................................................36 7.1. آموزش عالی در حال حاضر...................................................................................37 8.1. دستاوردهای نظام آموزش عالی در ایران................................................................38 دکتراقبالی پدر آموزش عالی در ایران.....................................................................39 1.2. زندگینامه دکترعلی اقبالی.....................................................................................43 2.2. تاليفات و ترجمه‌هاي دكتر علي اقبالي در طي فعاليت‌هاي دانشگاهي............................47 خصوصي سازي آموزش عالي و بررسي اثرات اقتصادي،اجتماعي آن....................49 ارزیابی آموزش عالی...................................................................................................50 پیشینه ارزشیابی آموزش عالی در کشورهای مختلف...........................................52 کارآفرینی در نظام آموزش عالی................................................................................55 1.5.تاریخچه آموزش کارآفرینی در دانشگاه ها................................................................57 2.5. مفهوم کارآفرینی در آموزش عالی...........................................................................58 3.5.اهداف ومحتوای آموزش کارآفرینی..........................................................................58 4.5.اهداف آموزش کارآفرینی........................................................................................60 5.5.محتوای آموزش کارآفرینی......................................................................................60 6.5.دانشگاه کارآفرین....................................................................................................61 آینده آموزش عالی.....................................................................................................63 فصل سوم : تاثیر داده کاوی درارتقای اموزش عالی مقدمه....................................................................................................................68 كاربرد دادهكاوي در آموزش عالي كاربرد دادهكاوي در آموزش عالي......................................................................69 کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی...........................69   مدیریت و خدمات کتابخانه................................................................................70 مدیریت موسسات دانشگاهی...............................................................................71 مسائل جهانی در آموزش عالی.............................................................................72 1.6. اهداف آموزشی................................................................................................72 2.6. منابع مالی.......................................................................................................75 3.6. همبستگی اجتماعی.........................................................................................76 محدودیت های داده کاوی درآموزش عالی........................................................78 فصل چهارم : نمونه های ازتاثیر داده كاوي در ارتقا و بهبود سيستم آموزش عالي مقدمه...................................................................................................................82 فرآيندهاي سيستم آموزش................................................................................84 ايجاد انواع)گونه هاي( معنا داري از دانشجويان...............................................86 كاربردهاي خوشه بندي.......................................................................................87 پيش بيني ثبت نام................................................................................................91 پيش بيني ثبت نام با استفاده از شبكه هاي عصبي مصنوعي..........................92 انتخاب دانشجويان مناسب براي شركت در كلاس هاي جبراني.......................93 برنامه ريزي تحصيلي- پيش بيني گذراندن دروس............................................95 نتيجه گيري..........................................................................................................97 منابع...................................................................................................................100 فصل اول : داده كاوي مقدمه جامعه مبتنی بر اطلاعات را می توان به عنوان جامعه ای تعریف نمود که بخش غالب اجتماع به جای کارهای فیزیکی در گیركارهای فکری هستند. در چنین جامعه ای بیشترین توجه به فعالیت های اطلاعاتی از قبیل فراهم آوری، پردازش، تولید، ثبت، انتقال، اشاعه و مدیریت اطلاعات مبذول می گردد و بیشترین هزینه ها صرف فرایندهای اطلاعاتی می شود. با گسترش سیستم های پایگاهی و حجم بالای داده های ذخیره شده در این سیستم ها، به ابزاری نیاز است تا بتوان این داده ها را پردازش کرد و اطلاعات حاصل از آن را در اختیار کاربران قرار داد. معمولا کاربران پس از طرح فرضیه ای بر اساس گزارشات مشاهده شده به اثبات یا رد آن می پردازند، در حالی که امروزه به روش هایی نیاز داریم كه به اصطلاح به کشف دانش بپردازند، یعنی روش هایی كه با کمترین دخالت کاربر و به صورت خودکار الگوها و رابطه های منطقی را بیان نمایند. یکی از روش های بسیار مهمی كه با آن می توان الگوهای مفیدی را در میان داده ها تشخیص داد، داده كاوی است. این روش كه با حداقل دخالت كاربران همراه است اطلاعاتی را در اختیار آنها و تحلیل گران قرار می دهد تا براساس آنها تصمیمات مهم و حیاتی در سازمانشان اتخاذ نمایند. باید توجه داشت که اصطلاح داده کاوی زمانی به کار برده می شود که با حجم بزرگی از داده ها، در حد مگا یا ترابایت، مواجه باشیم. در تمامی منابع داده کاوی بر این مطلب تاکید شده است. هر چه حجم داده ها بیشتر و روابط میان آنها پیچیده تر باشد دسترسی به اطلاعات نهفته در میان داده ها مشکل تر می شود و نقش داده کاوی به عنوان یکی از روش های کشف دانش، آشكارتر می گردد. داده كاوی از چندین رشته علمی به طور همزمان بهره می برد. از این میان می توان به آمار، تكنولوژی پایگاه داده، هوش مصنوعی، شبكه های عصبی، سیستم های مبتنی بر دانش، بازیابی اطلاعات و ... نام برد که بدون شک آمار مهمترین آنها به حساب می آید.   سا بقه داده کاوی داده کاوي و کشف دانش در پايگاه داده ها از جمله موضوع هايي هستند که همزمان با ايجاد و استفاده از پايگاه داده ها در اوايل دهه 80 براي جستجوي دانش در داده ها شکل گرفت .شايد بتوان لوول (1983) را اولين شخصي دانست که گزارشي در مورد داده کاوي تحت عنوان « شبيه سازي فعاليت داده کاوي » ارائه نمود. همزمان با او پژوهشگران و متخصصان علوم رايانه، آمار، هوش مصنوعي ، يادگيري ماشين و . . . نيز به پژوهش در اين زمينه و زمينه هاي مرتبط با آن پرداخته اند .پژوهش جدي روي موضوع داده کاوي از اوايل دهه 90 شروع شد. پژوهش ها و مطالعه هاي زيادي در اين زمينه صورت گرفته، همچنين سمينارها، دوره هاي آموزشي و کنفرانس هايي نيز برگزار شده است. نتايج پايه هاي نظري داده کاوي در تعدادي از مقاله هاي پژوهشي آورده شده است. مثلاً سال 1991 پياتتسکي و شاپيرو ( استقلال آماري قاعده ها در داده کاوي) را بررسي نموده اند. سال 1995 هافمن و نش( استفاده از داده کاوي و داده انبار توسط بانک هاي آمريکا) را بررسي نموده و بيان کردند که چگونه اين سيستم ها براي بانک هاي آمريکا قدرت رقابت بيشتري ايجاد مي کنند. چت فيلد مشکلات ايجاد شده توسط داده کاوي را بررسي نمود و همچنين مقاله اي تحت عنوان ( مدل هاي خطي غير دقيق داده کاوي و استنباط آماري) ارايه نمود. هندري نيز ديدگاه اقتصاد سنجي روي داده کاوي را تهيه کرد. در اين سال انجمن داده کاوي همزمان با اولين کنفرانس بين المللي (کشف دانش و داده کاوي) شروع به کار کرد. اين کنفرانس توسعه يافته چهار دوره آموزشي بين المللي در پايگاه هاي داده درسال 1989 تا 1994 بود. انجمن مذكور، يک سازمان علمي به نام acm- sigkdd را ايجاد نمود. سال 1996 ايميلنسکي و منيلا ديدگاهي از داده کاوي به عنوان (پرس و جو کننده از پايگاه هاي استنتاجي) را پيشنهاد کردند. فاياد، پياتتسکي – شاپيرو، اودوراسامي( پيشرفت هاي کشف دانش و داده کاوي )را عنوان کردند. در سال 1997 منيلا خلاصه اي از (مطالعه روي اساس داده کاوي) ارايه نمود. باربارا و همکاران نيز ديدگاه (کاهش داده ها روي داده کاوي) را در گزارش کاهش داده هاي نيوجرسي ارايه نمودند. همچنين مي توان براي كاربرد داده کاوی در مديريت مالي مي توان، تحليل داده هاي مالي و مدل سازي مالي بنينگاه و چاچ کز و هيگينز را ملاحظه کرد فريدمن نيز مقاله اي در ارتباط با مفهوم آمار و داده کاوي ارايه نمود. سال 1998 هند مقاله اي تحت عنوان( داده کاوي : آمار يا بيشتر؟ ) ارائه نمود. کلينبرگ پائوديميتريو و راغان ديدگاه (اقتصاد سنجي روي داده کاوي و عملکرد داده کاوي )را به عنوان يک مسئله بهينه ارايه نمودند. در اين سال نيز کنفرانس هاي ناحيه اي و بين المللي در مورد داده کاوي برگزار شد که از جمله مي توان به کنفرانس آسيا و اقيانوسيه درباره کشف دانش و داده کاوي اشاره کرد. سال 2000 هند و همکاران و اسميت بحث هاي مقايسه اي بين آمار و داده کاوي را ارايه کردند. سري و استاوا، کولي، رش پاند و تن (استفاده از وب در کاوش داده ها و کاربردهاي آن) را ارايه کردند. سال 2002 کلاديو کانورسانو و همکاران (مدل آميخته چندگانه جمع پذير تعميم يافته) براي داده کاوي را بررسي نمودند. پائلو و گيانلوکاپاسرون، ( داده کاوي ساختارهاي پيوند براي مدل رفتار مصرف کننده) را ارايه نمودند. معرفي دانش داده کاوی دانش داده کاوی فرآیند کشف دانش پنهان درون داده ها است که با برخورداری از دامنه وسیع زیرزمینه های تخصصی با توصیف، تشریح، پیش بینی و کنترل پدیده های گوناگون پیرامونی، امروزه دارای کاربرد بسیار وسیع در حوزه های مختلف از جمله صنعتی، پزشکی، ارتباطات، کشاورزی، انرژی، علوم اجتماعی، فرهنگی، سیاسی، اقتصادی، بازرگانی، نظامی، آموزشی و ... است بطوری که امروزه مرز و محدودیتی برای کاربرد این دانش در نظر گرفته نشده و زمینه های کاری این دانش را در تمامی عرصه های برخوردار از داده می دانند. در طول دهه گذشته حجم زیادی از داده ها در پایگاه داده ها انباشته و ذخیره شده اند و نتیجه این انباشتگی این است که سازمان ها در داده غنی ولی در کسب دانش بسیار ضعیف می باشند. امروزه میزان داده های در دسترس هر 5 سال دو برابر می شود و سازمانی توانا است که قادر باشد حداقل 7 درصد از اطلاعاتش را مدیریت نماید. تحقیقات انجام یافته نشان از آن دارد که سازمان ها امروزه کمتر از یک درصد از داده هایشان را برای تحلیل استفاده می نمایند. بعبارت دیگر امروزه سازمان ها در اطلاعات غرق شده اند در حالیکه گرسنه دانش هستند چرا که سازمان ها داده های زیادی را در تصرف خود دارند درحالیکه هنوز با فقدان دانش پنهان درون داده ها مواجه هستند. امروزه با توجه به تنوع زیاد مخاطبین، مشتریان، بازارها، تنوع و پیچیدگی خدمات و محیطهای کسب و کار، دسترسی به اطلاعات مناسب برای تصمیم گیری صحیح ضروری می باشد. از این‌رو استفاده از راهکارهای مناسب برای طبقه بندی و تولید اطلاعات از میان انبوهی از داده ها برای سازمان ها امری ضروری و حیاتی است. علم داده کاوی پاسخی به این نیاز به منظور کشف دانش پنهان داده‌ها و تامین اطلاعات مورد نیاز مدیران می‌باشد. دانش داده کاوی ابزاری است که مدیران را قادر می سازد تا سریع تر نسبت به آینده عمل نمایند، فعال باشند بجای آنکه واکنش پذیر باشند و بدانند و مطمئن باشند بجای آنکه حدس بزنند. واضح است که با داشتن این قابلیت، سازمان ها قادر می باشند دانش ارزشمندی را از داده هایشان بدست آورند. دانش داده کاوی سازمانها را قادر می سازد تا از سرمایه داده هایشان بهره برداری نمایند. این ابزار برای پشتیبان فرایند تصمیم گیری استفاده می گردد. داده کاوی با پردازش جامع داده و انجام فرایند تصمیم سازی از طریق استخراج دانش با ارزش از داده، تصمیم گیری را برای مدیران سازمان تسهیل می نماید.  داده کاوی (Data Mining) چیست؟ امروزه پایگاه‌هاى داده‌ها بسیار بزرگ شده‌اند و حجم برخى از آنها به بیش از یک ترابایت (هزار گیگابایت) رسیده است. درون این حجم از داده‌ها اطلاعات راهبردى مهمى به صورت مخفى وجود دارد. اما سؤال اینجاست که چگونه مى‌توانید از این حجم بزرگ داده‌ها یک نتیجه‌ى مفید به دست آورید؟ تازه‌ترین راه حل براى استخراج اطلاعات مخفى از درون بانک‌هاى اطلاعاتى، داده‌کاوى  یا Data Mining است که روشى پربازده و نسبتاً کم‌هزینه مى‌باشد. پیش از این سازمان‌هاى نوآورِ جهانى، از داده‌کاوى براى مکان‌یابى وجذب مشترى‌هاى با ارزش‌تر و طراحى مجدد محصولاتشان با هدف فروش بیشتر و کاهش ضررهاى ناشى از اشتباهات یا کلاه‌بردارى‌ها استفاده کرده‌اند. داده‌کاوى فرایندیست که از ابزارهاى متنوع تحلیل داده‌ها، براى کشف الگوهـا و ارتباط‌هاى پنهان موجود در داده‌ها استفاده مى‌کند. نتایج داده‌کاوى براى پیش‌بینى رفتار و تحلیل روندهاى آینده استفاده مى‌شود. در فرایند داده‌کاوى با نگاه به گذشته مى‌توان درباره‌ى آینده، پیش‌بینى‌هایى را انجام داد و به سؤال‌هاى تجارى ‌پاسخ گفت که روش‌هاى سنتى حل آنها بسیار زمان‌بر بوده و یا حتى در مواردى غیرممکن مى‌نمودند. امروزه در بسیارى از شرکت‌ها و سازمان‌هاى نوآور از داده‌کاوى براى یافتن و جذب مشترى‌هاى با ارزش‌تر، فروش بیشتر، کاهش ضررهاى ناشى از خطاهاى تجارى یا کلاهبردارى‌ها و طراحى مجدد محصولات استفاده مى‌شود. اولین و ساده‌ترین قدم در داده‌کاوى، توصیف داده‌هاست. این کار به طور خلاصه شامل بررسى خواص آمارى داده‌ها (مانند متوسط و انحراف استاندارد)، بررسى گرافیکى از طریق گراف‌ها و چارت‌ها و جستجو براى یافتن پیوندهاى پر معنى بالقوه در میان متغییرها (مانند مقادیرى که اغلب با هم رخ مى‌دهند) است. در فرایند داده‌کاوى جمع‌آورى و انتخاب داده‌هاى صحیح، بسیار مهم هستند. پس از توصیف داده‌ها، در مرحله‌ى بعد باید براساس الگوهایى که از نتایج معلوم به دست آمده‌اند یک مدل پیش‌بینى ساخت و آن را بر روى نتایج خارج از نمونه‌ى اولیه آزمایش کرد. هرگز نباید یک مدل خوب را با واقعیت اشتباه گرفت (زیرا نمى‌توان نقشه‌ى مسیر را نماینده‌ى کامل مسیر واقعى دانست) اما این مدل مى‌تواند راهنماى خوبى براى فهمیدن برخى فرصت‌ها و تهدیدها باشد. گام آخر داده‌کاوى این است که صحت مدل را به طور تجربى تعیین کنیم. براى نمونه، از یک پایگاه داده‌ها که اطلاعاتى در مورد مشترى‌ها را در خود نگاه مى‌دارد، مدلى براى پیش‌بینى پاسخ مشترى‌ها به پیشنهاد خرید محصولات در آینده ساخته شده است. آیا مى‌توان به پیش‌بینى‌هاى این مدل اعتماد کرد؟ براى پاسخ به این پرسش مى‌توان با برخى از مشترى‌هاى احتمالى پیشنهاد را مطرح و نتیجه را بررسى کرد. تعريف داده کاوي در متون آکادميک تعاريف گوناگوني براي داده کاوي ارائه شده اند . در برخي از اين تعاريف داده کاوي در حد ابزاري که کاربران را قادر به ارتباط مستقيم با حجم عظيم داده ها مي سازد معرفي گرديده است و در برخي ديگر، تعاريف دقيقتر که درآنها به کاوش در داده ها توجه مي شود موجود است. برخي از اين تعاريف عبارتند از : داده کاوي عبارت است از فرايند استخراج اطلاعات معتبر، از پيش ناشناخته، قابل فهم و قابل اعتماد از پايگاه داده هاي بزرگ و استفاده از آن در تصميم گيري در فعاليت هاي تجاري مهم. اصطلاح داده کاوي به فرايند نيم خودکار تجزيه و تحليل پايگاه داده هاي بزرگ به منظور يافتن الگوهاي مفيد اطلاق مي شود. داده کاوي يعني جستجو در يک پايگاه داده ها براي يافتن الگوهايي ميان داده ها. داده کاوي يعني استخراج دانش کلان، قابل استناد و جديد از پايگاه داده ها ي بزرگ. داده کاوي يعني تجزيه و تحليل مجموعه داده هاي قابل مشاهده براي يافتن روابط مطمئن بين داده ها. همانگونه که در تعاريف گوناگون داده کاوي مشاهده مي شود، تقريبا در تمامي تعاريف به مفاهيمي چون استخراج دانش، تحليل و يافتن الگوي بين داده ها اشاره شده است. مفهوم داده کاوی عبارت داده کاوی مترادف با یکی از عبارت های استخراج دانش، برداشت اطلاعات، وارسی داده ها و حتی لایروبی کردن داده هاست که در حقیقت کشف دانش در پایگاه داده ها (KDD) را توصیف می کند. بنابراین ایده ای که مبنای داده کاوی است یک فرآیند با اهمیت از شناخت الگوهای بالقوه مفید، تازه و درنهایت قابل درک در داده هاست. واژه کشف دانش در پایگاه داده ها در اوایل دهه 80 در مراجعه به مفهوم کلی، گسترده، سطح بالا و به دنبال جستجوی دانش در اطلاعات شکل گرفته است. داده كاوی كاربرد سطح بالای فنون و ابزار بكار برده شده برای معرفی و تحلیل داده ها ی تصمیم گیرندگان است. اصطلاح داده کاوی را آمار شناسان، تحلیل گران داده ها و انجمن سیستم های اطلاعات مدیریت به کار برده اند درحالی که پژوهشگران یادگیری ماشین و هوش مصنوعی از KDD بیشتر استفاده می کنند . در ادامه چند تعریف از داده کاوی ارائه می شود. «داده کاوی یا به تعبیر دیگر کشف دانش در پایگاه داده ها، استخراج غیر بدیهی اطلاعات بالقوه مفید از روی داده هایی است که قبلاً، ناشناخته مانده اند. این مطلب برخی از روش های فنی مانند خوشه بندی، خلاصه سازی داده ها، فراگیری قاعده های رده بندی، یافتن ارتباط شبکه ها، تحلیل تغییرات و کشف بی قاعدگی را شامل می شود » (پیاتتسکی شاپیرو، ماتئوس کریستوفر) « داده کاوی در حقیقت کشف ساختارهای جالب توجه، غیر منتظره و با ارزش از داخل مجموعه وسیعی از داده ها می باشد و فعالیتی است که اساساً با آمار و تحلیل دقیق داده ها منطبق است» هند (1998) « داده کاوی فرآیند کشف رابطه ها، الگوها و روندهای جدید معنی داری است که به بررسی حجم وسیعی از اطلاعات ذخیره شده در انبارهای داده بافناوری های تشخیص الگو (مانند ریاضی و آمار) می پردازد». کشف دانش در پایگاه داده ها در جهت کشف اطلاعات مفید از مجموعه بزرگ داده هاست. دانش کشف شده می تواند قاعده ای باشد تا ویژگی های داده ها، الگوهایی که به طور متناسب رخ می دهند، خوشه بندی موضوع های درون پایگاه داده ها و غیره را توصیف می کند. یک کاربر سیستم KDD بایستی درک بالایی از قلمرو داده ها به منظور انتخاب زیر مجموعه صحیحی از داده ها، رده مناسبی از الگوها و معیار خوبی برای الگوهای جالب داشته باشد. بنابراین سیستم KDD باید ابزارهایی با اثر تعاملی داشته باشد نه سیستم های تجزیه و تحلیل خودکار. لذا کشف دانش از پایگاه داده ها باید مثل یک فرآیند شامل گام های زیر باشد: درک قلمرو آماده کردن مجموعه داده ها کشف الگوها (داده کاوی) پردازش بعد از کشف الگو استفاده از نتایج ریشه های داده کاوی داده کاوی ریشه در آموزه های متنوعی از دو موضوع، آمار و یادگیری ماشین دارد. آمار، ریشه در ریاضیات دارد و بنابراین، تاکید بر روی دقت ریاضی بوده است. گرایش برای ایجاد و تثبیت مساله ای که قبل از تست عملی آن در زمینه های تئوری محسوس و نمایان است. در مقابل سیستم یادگیری ماشین ریشه در کاربرد کامپیوتر دارد. این موضوع منجر به گرایش کاربردی جهت تست مساله و چگونگی اجرای آن بدون در نظر گرفتن علت کارایی آن می شود. یکی از تفاوتهای اساسی بین شیوه های یادگیری ماشین و آماری در مبحث داده کاوی اهمیتی می باشد که به ریاضیات و فرمول نویسی می دهند، تفاوت دیگر، تاکید متناسبی است که به مدل ها و الگوریتم ها داده می شود. علوم آماری جدید تقریبا به طور کامل از ایده یک مدل نشات می گیرد. یادگیری ماشین بر خلاف تاکید های آمار ی بر روی نمونه ها، تاکید بر روی الگوریتم دارد. پس جای تعجب است که در خیلی از مواقع کلمه یادگیری شامل مفهوم یک فرآید یا یک الگوریتم ضمنی می باشد. اصول اساسی مدل سازی و داده کاوی همچنین ریشه در تئوری کنترل دارد که درابتدا برای سیستم های مهندسی و فرآیندهای صنعتی بکار می رود. موضوع ایجاد یک مدل ریاضی برای یک سیستم ناشناخه ومجهول (که در واقع به همان سیستم هدف اشاره دارد) از طریق مشاهده دقیق زوج های داده ایی ورودی- خروجی عموما منجر به همان شناسایی سیستم می گردد. اهداف شناسایی سیتم متعدد هستند و از نقطه نظر داده کاوی مهمترین هدف سیستم، پیش بینی عملکرد آن و توضیح تقابل و ارتباط بین متغییر های یک سیستم می باشد. فنون داده کاوی فنون داده کاوی یک گروه نامتجانس را شکل میدهند چرا که هر تکنیکی که بتواند بینش جدیدی از داده ها را استخراج کند میتواند داده کاوی به حساب آید. برخی از ابزارهای رایج بکار گرفته شده تحت عنوان داده کاوی عبارتند از: ابزارهای پرس و جو : ابزارهای متداول زبان پرس و جوی ساختاربندی شده در ابتدا برای انجام تحلیلهای اولیه بکار گرفته شدند که می تواند مسیرهایی برای تفحص بیشتر نشان دهد.  فنون آماری : مشخصات اصلی داده ها لازمست با کاربرد انواع مختلفی از تحلیلهای آماری شامل جدول بندی ساده و متقاطع داده ها و محاسبه پارامترهای آماری مهم بدست آید.  مصور سازی : با نمایش داده ها در قالب نمودارها و عکسها مانند نمودار پراکندگی، گروه بندی داده ها در خوشه های متناسب تسهیل میشود. استنباط عمیق تر ممکن است با بکارگیری تکنیکهای گرافیکی پیشرفته حاصل شود.  پردازش تحلیلی پیوسته : از آنجا که مجموعه داده ها ممکن است روابط چندین بعدی داشته باشند، روشهای متعددی برای ترکیب کردن آنها وجود دارد. ابزارهای پردازش تحلیلی پیوسته به ذخیره چنین ترکیباتی کمک میکند و ابزارهای ابتدا - انتهای پیوسته برای انجام پرس و جو ایجاد میکند . اما این ابزارها هیچ دانش جدیدی ایجاد نمی کنند .  یادگیری مبتنی بر مورد : این تکنیک مشخصات گروههای داده ها را تحلیل میکند و به پیش بینی هر نهاد  واقع شده در همسایگی شان کمک میکند. الگوریتمهایی که استراتژی یادگیری تعاملی را  برای کاوش در یک فضای چندین بعدی بکار میگیرند برای این منظور مفیدند . درختان تصمیم گیری : این تکنیک بخشهای مختلف فهرست پاسخهای موفق داده شده مربوط به یک پرس و جو را بازیابی می کند و به این ترتیب به ارزیابی صحیح گزینه های مختلف کمک میکند . قوانین وابستگی : اغلب مشاهده میشود که یک وابستگی نزدیک (مثبت یا منفی) بین مجموعه ای از داده های معین وجود دارد. بنابراین قوانین رسمی وابستگی برای تولید الگوهای جدید ساخته و بکار گرفته میشوند. شبکه های عصبی : این یک الگوریتم یادگیری ماشینی است که عملکرد خودش را بر اساس کاربرد و ارزیابی نتایج بهبود می بخشد. الگوریتم ژنتیکی : این هم تکنیک مفید دیگری برای پیش بینی هدف است. به این ترتیب که با یک گروه یا خوشه شروع میشود و رشدش در آینده را با حضور در برخی مراحل فرایند محاسبه احتمال جهش تصادفی، همانطور که در تکامل طبیعی فرض میشود طرح ریزی می نماید. این تکنیک به چند روش میتواند عملی شود و ترکیب غیرقابل انتظار یا نادری را از عواملی که در حال وقوع بوده و مسیر منحنی طراحی داده ها را تغییر میدهند، منعکس میکند. گزارش دادن :گزارش دادن که آخرین مرحله داده کاوی است شامل تحلیل نتایج و کاربردهای پروژه، درصورت بکارگیری آنها است و متن مناسب، جداول و گرافیکها را در خود جای می دهد. بیشتر اوقات گزارش دهی یک فرایند تعاملی است که تصمیم گیرنده با داده ها در پایانه کامپیوتری بازی میکند و فرم چاپی برخی نتایج واسطه محتمل را برای عملیات فوری بدست می آورد. مراحل داده كاوي داده كاوي در طي 10 مرحله انجام مي‌گيرد. اين مراحل به ترتيب عبارتند از : 1- شناسايي هدف : در اين مرحله مشخص مي شود كه كاربر به چه چيزي مي خواهد دست يابد و چه نوع و چه سطحي از اطلاعات را مي‌خواهد از پايگاه داده‌‌ها بدست آورد بطوريكه در وقت او صرفه جويي شود. 2- انتخاب داده : پس از اينكه هدف تعيين شد بايد داده انتخاب شود . در انتخاب داده بايد شرايطي در نظر گرفته شود از قبيل اينكه : آيا فيلد مشتركي در بين داده‌هاي انتخاب شده وجود دارد كه بتواند براي لينك شدن به يك پايگاه داده‌ي ديگر مورد استفاده قرار گيرد، آيا داده‌اي كه قرار است كاوش شود قابل دسترسي هست، آيا پس از اينكه مجموعه داده‌ها تهيه شد در آن انباشتگي وجود دارد يا خير، چقدر از اين داده‌ها مربوط به هدف مورد نظر ما هستند؟ 3- آماده سازي داده ها : پس از سازماندهي و انتخاب داده‌ها بايد فرمت قابل استفاده داده‌ها مشخص شود. هدف از اين مرحله توليد يك مجموعه آماده از داده‌هاي كاوش شده است. شناسايي متغيرهاي زايد و پارازيت‌ها در يك مجموعه داده‌ها و رفع اين متغيرها از اهداف اين مرحله است. 4- ارزيابي داده ها : در اين مرحله ساختار داده‌ها با توجه به شرايطي ارزيابي مي‌شوند كه اين شرايط عبارتند از اينكه : ويژگي و ساختار پايگاه داده‌ها چيست، شرايط كلي مجموعه داده‌ها چيست، توزيع مجوعه داده‌ها به چه صورت است، آيا ساختار داده‌ها با نياز استفاده كنندگان مطابقت دارد؟ 5-قالب بندي پاسخ : منظور اين است كه پاسخ به چه فرمتي ارائه شود. به شكل تصوير، گزارش، ساختار درختي، شبكه عصبي و ... . 6- انتخاب ابزار : در اين مرحله ابزار مناسب براي داده كاوي انتخاب مي‌شود. در موقع انتخاب ابزار مناسب براي داده كاوي بايد در نظر بگيريم كه آيا اين ابزار با كامپيوتر كاربر مطابقت دارد ياخير؟ يك ابزار داده كاوي بايد به گونه‌اي باشد كه نتايج تجزيه و تحليل آن براي كاربر قابل درك باشد. همچنين بايد بدانيم كه ابزاري كه انتخاب مي كنيم چه نوع پاسخهايي را توليد مي‌كند. بايد به اين نكته توجه كنيم كه هيچ ابزاري به تنهايي قادر به تهيه پاسخ نيست، بلكه مجموعه‌اي از ابزارها به همراه مجموعه‌اي از برنامه‌ها مورد نياز است. 7- مدلسازي : در اين مرحله فرايند داده كاوي شروع مي‌شود. اين مرحله شامل جستجوي الگوها در يك مجموعه داده‌ها و طبقه بندي، تصميم گيري، جمع آوري و ارزشيابي داده‌ها مي‌باشد. مواردي را بايد در نظر گرفت از قبيل اينكه : ميزان خطاهاي مدل تا چه حد است، آيا اين مدلها قابل پذيرش هستند، آيا امكان پيشرفت آنها وجود دارد، آيا براي يك مدل به داده‌هاي بيشتر و روشهاي مختلفي نياز است، آيا نياز است كه مجموعه داده‌ها تست شوند و ... . 8- اعتبار سازي يافته‌ها : اين مرحله شامل تست كردن الگوهاست. درتجزيه و تحليل داده كاوي بايد در مورد نتايج تجزيه و تحليل با مدير، طراح، مجري طرح، تحليلگر و مهندسان بحث شود. به اين دليل كه مطمئن شويم كه يافته‌ها صحيح و مطابق با اهداف ما هستند. همچنين بررسي كنيم كه آيا نتايج قابل دسترسي هستند، آيا نياز است كه به مراحل قبلي بازگرديم تا نتايج بهتري كسب كنيم، آيا ابزارهاي ديگر داده‌كاوي مي‌توانند مورد استفاده قرار گيرند بطوريكه همان نتايج استخراج شوند و غيره . 9- ارائه نتايج : اين مرحله گزارش نهايي را براي كاربر تهيه مي‌كند. اين گزارش بايد با استناد به كل فرايند داده كاوي باشد. با ارائه نتايج به كاربر مشخص مي‌شود كه آيا اين يافته‌ها مطابق با اهداف او هستند، و آيا داده‌هاي بيشتري مي‌توانند باعث پيشرفت تجزيه و تحليل شوند؟ 10 - استفاده از نتايج : هدف نهايي داده كاوي استفاده از نتايج كشف شده براي ايجاد يك موقعيت جديد و بهتر است. عوامل ايجاد داده كاوي سيل اطلاعات معاملات كامپيوتري ، اطلاعات علمي ، اطلاعات پزشكي اشخاص ، بازيها ، شبكه جهاني وب كاربرد اطلاعات به عنوان كالا رشد انبار هاي داده و نياز به استخراج اطلاعات مفيد راهكارهاي فناوري جديد اطلاعات تحقيقات و پيشرفت در علوم از جمله هوش مصنوعي مزاياي داده كاوي مهمترين مزايايي كه مي توان براي داده كاوي در نظر گرفت عبارتند از: • كمك به مديران در تصميم گيري • يافتن مقالات خبري روزآمد • كمك به كاربر براي جستجو در وب • بهبود امر بازاريابي • كشف كلاهبرداريها و نابهنجاريها مراحل فرايند کشف دانش از پايگاه داده ها فرايند کشف دانش از پايگاه داده ها شامل پنج مرحله است که عبارتند از : انبارش داده ها انتخاب داده ها تبديل داده ها کاوش در داده ها تفسير نتيجه انبارش داده ها وجود اطلاعات صحيح و منسجم يکي از ملزوماتي است که در داده کاوي به آن نيازمنديم. اشتباه و عدم وجود اطلاعات صحيح باعث نتيجه گيري غلط و در نتيجه اخذ تصميمات ناصحيح در سازمانها مي گردد و منتج به نتايج خطرناکي خواهد گرديد که نمونه هاي آن کم نيستند .اکثر سازمانها دچار يک خلا اطلاعاتي هستند. در اينگونه سازمانها معمولا سيستم هاي اطلاعاتي در طول زمان و با معماري و مديريت هاي گوناگون ساخته شده اند، به طوري که سازمان اطلاعاتي يکپارچه و مشخصي مشاهده نمي گردد. علاوه بر اين براي فرايند داده کاوي به اطلاعات خلاصه و مهم در زمينه تصميم گيريهاي حياتي نيازمنديم. هدف از فرايند انبارش داده ها فراهم کردن يک محيط يکپارچه جهت پردازش اطلاعات است. در اين فرايند، اطلاعات تحليلي و موجز در دوره هاي مناسب زماني سازماندهي و ذخيره مي شود تا بتوان از آنها در فرايند هاي تصميم گيري که از ملزومات آن داده کاوي است، استفاده شود. به طور کلي تعريف زير براي انبار داده ها ارائه مي گردد. انبار داده ها، مجموعه اي است موضوعي، مجتمع، متغير در زمان و پايداراز داده ها که به منظور پشتيباني از فرايند مديريت تصميم گيري مورد استفاده قرار مي گيرد. انتخاب داده ها انبار داده ها شامل انواع مختلف و گوناگوني از داده ها است که همه آنها در داده کاوي مورد نياز نيستند. براي فرايند داده کاوي بايد داده ها ي مورد نياز انتخاب شوند. به عنوان مثال در يک پايگاه داده هاي مربوط به سيستم فروشگاهي، اطلاعاتي در مورد خريد مشتريان، خصوصيات آماري آنها، تامين کنندگان، خريد، حسابداري و ... وجود دارند. براي تعيين نحوه چيدن قفسه ها تنها به داده ها يي در مورد خريد مشتريان و خصوصيات آماري آنها نياز است. حتي در مواردي نياز به کاوش در تمام محتويات پايگاه نيست بلکه ممکن است به منظور کاهش هزينه عمليات، نمونه هايي از عناصر انتخاب و کاوش شوند. تبديل داده ها هنگامي که داده هاي مورد نياز انتخاب شدند و داده ها ي مورد کاوش مشخص گرديدند، معمولا به تبديلات خاصي روي داده ها نياز است. نوع تبديل به عمليات و تکنيک داده کاوي مورد استفاده بستگي دارد، تبديلاتي ساده همچون تبديل نوع داده اي به نوع ديگر تا تبديلات پيچيده تر همچون تعريف صفات جديد با انجام عملياتهاي رياضي و منطقي روي صفات موجود. کاوش در داده ها داده هاي تبديل شده با استفاده از تکنيکها و عملياتهاي داده کاوي مورد کاوش قرار مي گيرند تا الگوهاي مورد نظر کشف شوند. تفسير نتيجه اطلاعات استخراج شده با توجه به هدف کاربر تجزيه و تحليل و بهترين نتايج معين مي گردند. هدف از اين مرحله تنها ارائه نتيجه (بصورت منطقي و يا نموداري) نيست، بلکه پالايش اطلاعات ارايه شده به کاربر نيز از اهداف مهم اين مرحله است. جایگاه داده کاوی در میان علوم مختلف ریشه های داده کاوی در میان سه خانواده از علوم، قابل پیگیری می باشد. اولین و مهمترین این خانواده ها، آمار کلاسیک می باشد. بدون آمار، هیچ داده کاوی وجود نخواهد داشت، بطوریکه آمار، اساس اغلب تکنولوژی هایی می باشد که داده کاوی بر روی آنها بنا می شود. آمار کلاسیک مفاهیمی مانند تحلیل رگرسیون، توزیع استاندارد، انحراف استاندارد، واریانس، تحلیل خوشه، و فاصله های اطمینان را که همه این موارد برای مطالعه داده و ارتباط بین داده ها می باشد، را در بر می گیرد. مطمئنا تحلیل آماری کلاسیک نقش اساسی در تکنیکهای داده کاوی ایفا می کند. دومین خانواده ای که داده کاوی به آن تعلق دارد هوش مصنوعی می باشد. هوش مصنوعی که بر پایه روشهای ابتکاری می باشد و با آمار ضدیت دارد، تلاش دارد تا فرایندی مانند فکر انسان، را برای حل مسائل آماری بکار بندد. چون این رویکرد نیاز به توان محاسباتی بالایی دارد، تا اوایل دهه 1980 عملی نشد. هوش مصنوعی کاربردهای کمی را در حوزه های علمی و حکومتی پیدا کرد، اما نیاز به استفاده از کامپیوترهای بزرگ باعث شد همه افراد نتوانند از تکنیکهای ارائه شده استفاده کنند. سومین خانواده داده کاوی، یادگیری ماشین می باشد، که به مفهوم دقیقتر، اجتماع آمار و هوش مصنوعی می باشد. درحالیکه هوش مصنوعی نتوانست موفقیت تجاری کسب کند، یادگیری ماشین در بسیاری از موارد جایگزین آن گردید. از یادگیری ماشین به عنوان تحول هوش مصنوعی یاد شد، چون مخلوطی از روشهای ابتکاری هوش مصنوعی به همراه تحلیل آماری پیشرفته می باشد. یادگیری ماشین اجازه می دهد تا برنامه های کامپیوتری در مورد داده ای که آنها مطالعه می کنند، مانند برنامه هایی که تصمیمهای متفاوتی بر مبنای کیفیت داده مطالعه شده می گیرند، یادگیری داشته باشند و برای مفاهیم پایه ای آن از آمار استفاده می کنند و از الگوریتمها و روشهای ابتکاری هوش مصنوعی را برای رسیدن به هدف بهره می گیرند. داده کاوی در بسیاری از جهات، سازگاری تکنیکهای یادگیری ماشین با کاربردهای تجاری است. بهترین توصیف از داده کاوی بوسیله اجتماع آمار، هوش مصنوعی و یادگیری ماشین بدست می آید. این تکنیک ها سپس با کمک یکدیگر، برای مطالعه داده و پیدا کردن الگوهای نهفته در آنها استفاده میشوند. کاربردهای داده کاوی کاربردهای معمول تجاری : از قبیل تحلیل و مدیریت بازار، تحلیل سبد بازار، بازاریابی هدف، فهم رفتار مشتری، تحلیل و مدیریت ریسک کاربردهای اصلی تجاری : تشخیص صحت ادعای خسارت در بیمه، تشخیص سوء استفاده از کارتهای اعتباری، تحلیل اطلاعات مشتریان یک سازمان،... مدیریت و کشف فریب : کشف فریب تلفنی، کشف فریبهای بیمه ای و اتومبیل، کشف حقه های کارت اعتباری، کشف تراکنشهای مشکوک مالی (پولشویی) متن کاوی : پالایش متن (نامه های الکترونیکی، گروههای خبری و غیره). ورزش : آمارهای ورزشی وب کاری : پیشنهاد صفحات مرتبط، بهبود ماشین های جستجوگریا شخصی سازی حرکت در وب سایت کاربردهای علمی : حوزه های پزشکی، جغرافیائی و اقلیمی، فضا و سفرهای فضائی کاربردهای امنیتی : مبارزه با تروریسم، مقابله با نفوذگران به شبکه های کامپیوتری خرده فروشي : از کاربردهاي کلاسيک داده کاوي است که مي توان به موارد زير اشاره کرد : تعيين الگوهاي خريد مشتريان تجزيه و تحليل سبد خريد بازار پيشگويي ميزان خريد مشتريان از طريق پست(فروش الکترونيکي) بانکداري : پيش بيني الگوهاي کلاهبرداري از طريق کارتهاي اعتباري تشخيص مشتريان ثابت تعيين ميزان استفاده از کارتهاي اعتباري بر اساس گروههاي اجتماعي پزشکي : تعيين نوع رفتار با بيماران و پيشگويي ميزان موفقيت اعمال جراحي کشف ارتباط علامت و بیماری، تحلیل آرایه های DNA، تصاویر پزشکی تعيين ميزان موفقيت روشهاي درماني در برخورد با بيماريهاي سخت. کاهش شدید هزینه ها، افزایش درآمدها و نجات زندگی انسانها از دستاوردهای داده کاوی در هریک از حوزه های کاربردی آن است. عملكردهاي جاري داده كاوي بازاريابي : بر اساس سوابق خريد و اطلاعات جمعيت شناختي و با استفاده از الگوريتمهاي پيش بيني كننده پيشرفته به جذب مشتريان پرداخته و بوسيله تجزيه و تحليل مشخصات مشتريان، انواع كاتالوگهاي محصولات را به آنها ارسال مي‌كند. سيستمهاي معرف : سيستمهاي معرف به ما كمك مي‌كنند تا اطلاعات با ارزش را شناسايي كنيم، مقالات مورد نياز را فيلتر مي كند و محصولاتي را كه احتمال خريد آنها توسط مشتري بيشتر است معرفي مي‌نمايد. گروهبندي كردن اسناد : با افزايش مقدار اطلاعات متني، نياز به سازماندهي خودكار و تهيه خلاصه‌هاي مفيدي از آنها وجود دارد تا معني دار تر شوند. علاوه بر اين براي يافتن اطلاعات مورد نياز از نتايج بيشمار بدست آمده از موتورهاي جستجو از اين ابزار استفاده مي‌شود. موتورهاي فرا جستجو : به تركيب منطقي نتايج بدست آمده از موتورهاي جستجوي مختلف از طريق برنامه Mearf میپردازد. داده کاوی در تولید چهار نوع دانش مفید است دانش سطحی (کاربردهای (SQL ) دانش چند وجهی کاربردهای (OALP) دانش نهان (تشخیص الگو و کاربردهای الگوریتم یادگیری ماشینی) دانش عمیق (کاربردهای الگوریتم بهینه سازی داخلی) داده كاوی موفق دو نكته برای موفق بودن یك داده كاوی وجود دارد. اول اینكه یك فرموله سازی دقیق از مساله ای است كه شما باید حل كنید. دومین نكته استفاده از داده صحیح است. پس از انتخاب داده ای كه در دسترس شماست یا شاید خرید داده خارجی شما ممكن است نیازمند شوید آن را به روشهایی انتقال داده یا دسته بندی كنید. نمونه های از سيستم هاي داده كاوي IBM Intelligent Miner: حاوي دامنه وسيعي از الگوريتمها همچنين نرم افزار تولكيت، الگوريتمهاي شبكه عصبي، روشهاي آماري، آماده‌سازي داده ها و ابزارهاي ديداري مي باشد. SAS Enterprises Miner: حاوي انواع مختلفي از ابزارهاي تحليلي آماري، الگوريتم هاي داده كاوي و ابزارهاي انبار داده هاست. Microsoft SQL Server 2000: با استفاده از سيستم پردازش تحليلي مستقيم كاوش می کند. SQL Mineset: حاوي الگوريتمهاي داده كاوي و آمارهاي پيشرفته است كه از ابزارهاي ديداري استفاده مي‌كند. Clemetine ( SPSS ): يك محيط پيشرفته منسجم را براي استفاده كننده نهايي در نظر گرفته است و حاوي الگوريتمهاي داده كاوي و ابزارهاي ديداري مي‌باشد. DB Miner: از نرم افزارهاي چندگانه براي برقراري ارتباط، طبقه بندي و دسته بندي داده‌ها استفاده مي‌كند. در انبار داده‌ها و پايگاههاي ديگر به كاوش مي‌پردازد و از ابزارهاي طبقه بندي ديداري و الگوهاي زنجيري و كارآمد استفاده مي‌كند. مثال تفهیمی در مورد داده کاوی یکی از نمونه های بارز داده کاوی را می توان در فروشگاه های زنجیره ای مشاهده نمود، که در آن سعی می شود ارتباط محصولات مختلف هنگام خرید مشتریان مشخص گردد. فروشگاه های زنجیره ای مشتاقند بدانند که چه محصولاتی با یکدیگر به فروش می روند. برای مثال طی یک عملـیات داده کاوی گستـرده در یـک فروشـگاه زنجیره ای در آمریکای شمالی که بر روی حجـم عظیمـی از داده های فروش صورت گرفت، مشخص گردید که مردانی که برای خرید قنداق بچه به فروشگاه می روند معمولا آب جو نیز خریداری می کنند. همچنین مشخص گردید مشتریانی که تلویزیون خریداری می کنند، غالبا گلدان کریستالی نیز می خرند. نمونه مشابه عملیات داده کاوی را می توان در یک شرکت بزرگ تولید و عرضه پوشاک در اروپا مشاهده نمود، به شکلی که نتایج داده کاوی مشخص می کرد که افرادی که کراوات های ابریشمی خریداری می کنند، در همان روز یا روزهای آینده گیره کراوات مشکی رنگ نیز خریداری می کنند. به روشنی این مطلب قابل درک است که این نوع استفاده از داده کاوی می تواند فروشگاه ها را در برگزاری هوشمندانه فستیوال های فروش و نحوه ارائه اجناس به مشتریان یاری رساند . نمونه دیگر استفاده از داده کاوی در زمینه فروش را می توان در یک شرکت بزرگ دوبلاژ و تکثیر و عرضه فیلم های سینمایی در آمریکای شمالی مشاهده نمود که در آن عملیات داده کاوی، روابط مشتریان و هنرپیشه های سینمایی و نیز گروه های مختلف مشتریان بر اساس سبک فیلم ها ( ترسناک ، رمانتیک، حادثه ای و ...) مشخص گردید. بنابراین آن شرکت به صورت کاملا هوشمندانه می توانست مشتریان بالقوه فیلم های سینمایی را بر اساس علاقه مشتریان به هنرپیشه های مختلف و سبک های سینمایی شناسایی کند. از دیگر زمینه های به کارگیری داده کاوی ، استفاده بیمارستانها و کارخانه های داروسازی جهت کشف الگوها و مدلهای ناشناخته تاثیر دارو ها بر بیماری های مختلف و نیز بیماران گروه های سنی مختلف را می توان نام برد. استفاده از داده کاوی در زمینه های مالی و بانکداری به شناخت مشتریان پر خطر و سودجو بر اساس معیار هایی از جمله سن ، درآمد ، وضعیت سکونت ، تحصیلات، شغل و غیره می انجامد. نرم‌افزارهاي داده‌كاوي طي سال‌هاي گذشته جريان سريعي از تمايل به داده‌كاوي در بازارهاي نرم‌افزاري به وجود آمده است. بيشتر كاربران نرم‌افزارهاي داده‌كای با تفكر استفاده تجاري از اين نرم‌افزارها، خواهان استفاده از آن شده‌اند. اکتشاف استفاده از مدل‌هاي پيشگويي استفاده از آناليز بحث و جدل اكتشاف، فرآيند جستجو در داده‌هاست تا الگوهاي مخفی موجود در داده‌ها را بدون هيچ ايده از پيش تعيين شده‌ای مشخص نمايد. در نرم‌افزارهاي داده‌كاوي مبتني بر مدل‌هاي پيشگويی، الگوهايی كه از يك بانك داده كشف مي‌شوند، براي پيش‌بينی آينده به كار مي‌روند. مدل‌های پيش‌بينی به كاربر اجازه می‌دهند تا داده‌های نامشخص را به كار ببرد و اين مقادير نامشخص توسط نرم‌افزار كشف شود.در مدل‌های جدلی نيز الگوهای يافت شده از داده‌ها براي تعيين مقادير غيرعادی به كار می‌رود . براي تعيين مقادير غير عادی، ابتدا مي‌بايست مقادير عادی شناخته شود تا بر اين اساس مقادير غيرعادی و منحرف شناخته شوند.نرم‌افزارهاي داده‌كاوی در حال حاضر از فعاليت‌ كمتري نسبت به ساير نرم‌افزارهاي هوشمند برخوردار هستند. با اين وجود فعاليت تجاري اين نرم‌افزار را مي‌توان در شش بخش كلي، دسته‌بندي داده‌ها، برآورد مقادير نامشخص، پيش‌بيني مقادير نامشخص، گروه‌بندي تقريبي داد‌ه‌ها، خوشه‌بندي داده‌ها و تشريح روابط بين داده‌ها تقسيم كرد. معرفی نرم افزار داده کاوی SPSS Clementime نرم افزار داده کاوی SPSS Clementine یکی از مطرح ترین نرم افزارها در زمینه داده کاوی است. این نرم افزار از سری نرم افزارهای معروف SPSS بوده و مانند نرم افزارهای آماری قبلی از امکانات بسیار زیادی در زمینه تحلیل داده ها برخوردار است. آخرین نسخه این نرم افزار 12 است که پس از انتشار این نسخه،نسخه بعدی با نام PASW Modeler منتشر شد. از مزایای این نرم افزار می توان به موارد زیر اشاره نمود : - داشتن روش های بسیار متنوع برای تحلیل داده ها. - سرعت بسیار بالا در انجام محاسبات و استفاده از اطلاعات پایگاه داده ها. - داشتن محیط گرافیکی به منظور راحتی بیشتر کاربر برای انجام کارهای تحلیلی. در نسخه جدید امکان پاک سازی و آماده سازی داده ها به صورت کاملاً اتوماتیک انجام می شود. این نرم افزار تمامی نرم افزارهای پایگاه داده معروف مانند Microsoft Office و SQL و … را پشتیبانی می کند. ماژول های موجود در این نرم افزار عبارتند از : PASW Associatio PASW Classification PASW Segmentation PASW Modeler Solution Publisherاین نرم افزار هم بر روی کامپیوتر شخصی و هم بر روی سرور قابل نصب است و از Windows های 32 و 64 بیتی نیز پشتیبانی می کند. محدودیت های داده کاوی داده کاوی فقط یک ابزار است و نه یک عصای جادویی. داده کاوی به این معنی نیست که شما راحت به کناری بنشینید و ابزارهای داده کاوی همه کار را انجام دهد. داده کاوی نیاز به شناخت داده ها و ابزارهای تحلیل و افراد خبره در این زمینه ها را از بین نمی برد. داده کاوی فقط به تحلیلگران برای پیدا کردن الگوها و روابط بین داده ها کمک می کند و در این مورد نیز روابطی که یافته می شود باید به وسیله داده های واقعی دوباره بررسی و تست گردد. در حالیکه محصولات داده کاوی ابزارهای قدرتمندی می‌باشند، اما در نوع کاربردی کافی نیستند. برای کسب موفقیت، داده کاوی نیازمند تحلیل گران حرفه‌ای و متخصصان ماهری می‌باشد که بتوانند ترکیب خروجی بوجود آمده را تحلیل و تفسیر نمایند. در نتیجه محدودیتهای داده کاوی مربوط به داده اولیه یا افراد است تا اینکه مربوط به تکنولوژی باشد. اگرچه داده کاوی به الگوهای مشخص و روابط آنها کمک می‌کند، اما برای کاربر اهمیت و ارزش این الگوها را بیان نمی‌کند. تصمیماتی از این قبیل بر عهده خود کاربر است. برای نمونه در ارزیابی صحت داده کاوی، برنامه کاربردی در تشخیص مضنونان تروریست طراحی شده که ممکن است این مدل به کمک اطلاعات موجود در مورد تروریستهای شناخته شده، آزمایش شود. با اینهمه در حالیکه ممکن است اطلاعات شخص بطور معین دوباره تصدیق گردد، که این مورد به این منظور نیست که برنامه مظنونی را که رفتارش به طور خاص از مدل اصلی منحرف شده را تشخیص بدهد . تشخیص رابطه بین رفتارها و یا متغیرها یکی دیگر از محدودیتهای داده کاوی می‌باشد که لزوماًروابط اتفاقی را تشخیص نمی‌دهد. برای مثال برنامه‌های کاربردی ممکن است الگوهای رفتاری را مشخص کند، مثل تمایل به خرید بلیط هواپیما درست قبل از حرکت که این موضوع به مشخصات درآمد، سطح تحصیلی و استفاده از اینترنت بستگی دارد. در حقیقت رفتارهای شخصی شامل شغل (نیاز به سفر در زمانی محدود) وضع خانوادگی (نیاز به مراقبت پزشکی برای مریض) یا تفریح (سود بردن از تخفیف دقایق پایانی برای دیدن مکان‌های جدید) ممکن است بر روی متغیرهای اضافه تاثیر بگذارد. فصل دوم : آموزش عالي تاریخچه آموزش عالی در ایران 19050633730آموزش عالی در ایران به فرم نوین و آکادمیک سابقه یک صد ساله، و بصورت جامع بدوران نظامیه و حتی ساسانی باز می‌گردد. تصویری از یک کتابخانه (توسط یحیی بن واسطی واقع در مقامات حریری) در دوران پیش از حمله مغول. پیش از اسلام امروزه منابع متفرقه‌ای از دوران کهن باقی اند که اشاره بر وجود مراکز و نظام های آموزش عالی در سرزمین های ایران باستان می‌کند. از برجسته ترین این مراکز می‌توان نخست فرهنگستان نصیبین زیر نظر دولت ساسانی را نام برد که در آن اساتید رانده شده از آتن در حال کنکاش و آموزش مسائل پزشکی و ریاضیات و نجوم بودند. فرهنگستان جندیشاپور از مراکزی بود که شهرت آن در پزشکی تا به امروز باقیست و در تأسیس مستقیم بیت الحکمه در بغداد سالهای سال بعد بسیار با اهمیت نمایان گردید. از نمونه‌های دیگر مدارس علوم پیشرفته در ایران باستان می‌توان سارویه و ریشهر (فارس) را نام برد. دوران اسلامی پس از تأسیس بیت الحکمه در دوران خلافت عباسی، آموزش عالی در سرزمین های اسلامی رفته رفته وضع فراگیرتری به خود دید تا جایی که مدارس نظامیه در دوران سلجوقی در چندین شهر همانند بغداد، بلخ، نیشابور، هرات، و اصفهان دایر گشتند. در مراغه نیز خواجه نصیرالدین طوسی پژوهشکده و رصدخانه ای بزرگ تأسیس نمود که به روایتی کتابخانهٔ آن ۴۰٬۰۰۰ کتاب از اقصی نقاط گیتی گردآوری شده داشت ، و بخوبی توسط هولاکوخان ایلخانی تامین مخارج می‌گردید. دوره معاصر پردیس و بناهای اولین دانشگاه ایران بتوسط معماران اروپایی رولاند دوبرول، ماکسیم سیرو، مارکوف، آلکساندر موزر، آندره گدارد، و محسن فروغی طراحی گردید. «وزارت علوم» ایران اول بار در سال ۱۲۳۴ هجری شمسی تأسیس گردید، و علیقلی میرزا اعتضاد السلطنه از سوی ناصرالدین شاه قاجار به سمت وزیری برگزیده شد. تاریخ آموزش عالی در دوره نوین عموماً با تأسیس دارالفنون آغاز می‌گردد. با اینحال پیش از آن هم فعالیتهای متعددی برای کسب علوم و تخصص از خارج از کشور وجود داشت. بطور نمونه عباس میرزا بود که اول بار تعدادی دانشجوی بورسیه را جهت تحصیلات به فرنگ اعزام داشت. در سال ۱۸۱۱ بود که ایران نخستین دانشجوی خود را به خارج از کشور اعزام داشت. این رقم در سال ۱۹۳۰ میلادی فراتر از ۱۵۰۰ دانشجو بود. طولی نکشید که مدارس و موسسات برجسته آموزش عالی دیگر نیز همراه دارالفنون مشغول به کار گردیدند. از این جمله می‌توان مدرسه نظام (تأسیس ۱۲۶۴) را نام برد که با بودجه‌ای معادل ۱۰۰۰۰-۱۲۰۰۰ تومان تأسیس گردید . و نیز می‌توان از مدرسه علوم سیاسی (تأسیس ۱۲۷۸) را نام برد که زیر نظر وزارت امور خارجه وقت اداره می گشت. در سال ۱۳۱۱ بود که کالج آمریکایی‌ها (که چند سال بعد بدستور رضاخان به دبیرستان البرز تغییر نام و تغییر سطح پیدا کرد) بتوسط دانشگاه ایالتی نیویورک رسما پروانه تایید (charter) یافت. از کسانی که در توسعه و پیشرفت این موسسه پیش دانشگاهی زحمات فراوانی کشیدند دکتر ساموئل مارتین جردن آمریکایی بود که برخی وی را «پدر آموزش نوین ایران» خوانده اند . خیابان جردن تهران نیز (بلوار آفریقای فعلی) به افتخار همین شخص نام گذاری گردید. اولین دانشگاه جامع ایران زنان اولین بار در سال ۱۳۱۶ در سیستم دانشگاهی ایران پذیرش گردیدند.گروه نخست زنانی که وارد دانشگاه شدند. شاهزاده کاوس، شمس الملوک مصاحب، بدرالملوک بامداد، سراج النساء (از هندوستان)، مهرانگیز منوچهریان، زهرا اسکندری، بتول سمیعی‌زاده. فکر تاسیس دانشگاه تهران در سال ۱۳۰۵ خورشیدی توسط دکتر سنک نماینده مجلس در مذاکراتی با سید محمد تدین پدیدار شد. در سال ۱۳۱۰ خورشیدی وزیر دربار وقت، عبدالحسین تیمورتاش، از طرف رضا شاه، دکتر عیسی صدیق (صدیق اعلم) را مامور کرد تا به ایالات متحده آمریکا سفر کرده و پس از مطالعه در «تاسیسات علمی دنیای جدید»، طرحی برای تاسیس دانشگاه در کشور به دولت تقدیم نماید. طرح دکتر صدیق مورد مورد قبول کفالت وزارت معارف وقت، علی اصغر حکمت، قرار گرفت و سر انجام با پیگیری ایشان، دکتر علی‌اصغر حکمت، دکتر محمود حسابی و دیگران، سرانجام دانشگاه تهران در هشتم خرداد ماه ۱۳۱۳ به تصویب مجلس شورای ملی رسید. این موسسه با ادغام کردن دارالفنون، مدرسه علوم سیاسی، مدرسه طب، مدرسه عالی فلاحت و صنایع روستایی، مدرسه فلاحت مظفر (اولین مدرسه کشاورزی در ایران)، مدرسه صنایع و هنر (تأسیس توسط کمال الملک)، مدرسه عالی معماری، مدرسه عالی حقوق، و چند مرکز آموزش عالی دیگر تهران در پردیسی در جنوب پارک لاله فعلی تهران دایر گشت. این دانشگاه بر اساس موسسات آموزش عالی فرانسه الگوبرداری شد و حتی طراحان ساختمان های دانشگاه تهران مهندسین فرانسوی بودند. -200025307340آغاز آموزش عالی علوم پزشکی نوین دکتر ژوزف کاکرن آمریکایی : بنیان‌گذار اولین موسسه علوم پزشکی نوین در ایران. در علوم پزشکی در حالیکه مدرسه طب و دارالفنون تهران اغلب اولین موسسات آموزش عالی پزشکی ایران تلقی می‌شوند، آموزش علوم پزشکی نوین در واقع در سال ۱۲۵۷ و در ارومیه تأسیس گردید. این موسسه که توسط دکتر ژوزف کاکرن آمریکایی تأسیس گشت، بین سالهای ۱۲۵۷ و ۱۲۸۸ مجموعا ۲۶ فارغ التحصیل تحویل داد. مظفرالدین‌شاه قاجار خود سند فارغ التحصیلی برخی از دانش آموختگان را امضا نمود. دکتر کاکرن و تقریباً تمامی کادر آمریکایی هیئت علمی این موسسه در همان ارومیه به خاک سپرده شدند و موسسه نهایتا به دانشگاه ارومیه تعلق گرفت. در پایان دوره پهلوی اول فقط یک دانشگاه علوم پزشکی در ایران وجود داشت. در سال ۱۳۲۵ خورشیدی مدرسهٔ عالی در اصفهان و شیراز تأسیس شد و هم‌زمان دانشگاهی در تبریز شروع به ساخته شدن گردید، و در سال ۱۳۲۸ خورشیدی، قانون تأسیس دانشگاه در شهرستان ها با الویت دانشکده‌های پزشکی و کشاورزی تأسیس گردید. در این امر پروفسور شارل ابرلن نقش بسزایی را ایفا نمود. دوران پهلوی دوم و توسعه پس از جنگ جهانی دوم رفته رفته محمدرضا شاه پهلوی تصمیم به تغییر الگوی موسسات آموزش عالی ایران از سیستم دانشگاهی فرانسه به سیستم های آمریکایی گرفت. از اینرو بود که از اواخر دهه ۱۹۵۰ میلادی سعی در جلب همکاری دانشگاه‌های آمریکایی نمود. در این میان، به‌دنبال دعوت محمدرضا پهلوی از رییس دانشگاه پنسیلوانیا به ایران، پس از مذاکراتی چند، دانشگاه شیراز مستقیما تحت نظر و مدیریت این دانشگاه صاحب نام آمریکایی قرار گرفت تا جاییکه روابط علمی و فرهنگی بین این دو دانشگاه از مستحکم ترین روابط علمی فرهنگی میان ایران و آمریکا گردید و تا روزهای آخرحکومت شاه ادامه داشت. تدوین بسیاری از دروس، طراحی و توسعه پردیس های دانشگاه، تربیت اساتید، و بنیانگذاری بسیاری از موسسات تحقیقاتی دانشگاه پهلوی همه و همه در اختیار این دانشگاه آیوی لیگ قرار گرفتند. از نمونه‌های بارز دیگر «دانشگاه صنعتی آریامهر در تهران» (دانشگاه صنعتی شریف فعلی) و «دانشگاه صنعتی آریامهر اصفهان» (دانشگاه صنعتی اصفهان فعلی) بودند که مستقیما بر اساس الگوی دانشگاه ام آی تی در آمریکا الگوبرداری گردیدند. دانشگاه بوعلی سینا در همدان نیز بکمک فرانسویان، و دانشگاه گیلان زیر نظر مقامات آلمانی تاسیس شدند. در جمع، دست کم ۵۹ دانشگاه آمریکایی در توسعه و تاسیس آموزش عالی در ایران نقش و فعالیت داشتند. آموزش عالی در حال حاضر آموزش عالی در حال حاضر در ایران، شامل آموزش‌های دانشگاهی منتهی به مدارک کاردانی، کارشناسی، کارشناسی ارشد و دکتری است. امروزه قریب به ۴۰۰ دانشگاه و موسسه آموزش عالی در ایران در حال فعالیت است. مراکز آموزشی فعال در نظام آموزش عالی ایران عبارتند از : بخش دولتی در حال حاضر علاوه بر دانشگاه‌ها و مراکز آموزش عالی وابسته به وزارتخانه‌های علوم تحقیقات و فناوری و بهداشت، درمان و آموزش پزشکی، مراکز دیگری نیز با کسب مجوز از وزارت علوم، تحقیقات و فناوری دانشجـو می‌پذیرند. از جمله این مراکز، آموزشکده‌های فنی و مراکز تربیت معلم وابسته به وزارت آموزش و پرورش و مؤسسات آموزش عالی وابسته به سایر وزارتخانه‌ها مانند : امور خارجه، پست و تلگراف، راه و ترابری و غیره‌است. علاوه بر این، دانشگاهی تحت عنوان، دانشگاه جامع علمی کاربردی در سال ۱۳۷۱ به منظور تقویت آموزشهای فنی و حرفه‌ای و تربیت نیروی انسانی ماهر موردنیاز بخشهای صنعت ، معادن، کشاورزی و خدمات تأسیس گردیده‌است. بخش آموزش از راه دور در حال حاضر دانشگاه پیام نور ارائه دهنده این نوع سامانه آموزشی است. بخش غیردولتی به منظور افزایش مشارکت عمومی در ارائه خدمات آموزش عالی و افزایش روز افزون تقاضای اجتماعی جهت ورود به آموزش عالی در ایران دانشگاه‌ها و مؤسساتی در بخش غیردولتی ایجاد گردیده‌است که شامل دانشگاه‌های آزاد اسلامی و دانشگاه‌ها و مؤسسات آموزش عالی غیرانتفاعی می‌شود. در ایران، بر خلاف کشورهای غربی، مقام ریاست دانشگاه‌ها انتخابی نبوده بلکه انتصابی از سطوح بالاتر است . دستاورد‌های نظام آموزش عالی ایران جوایز معتبر علمی و فرهنگی : هیچ یک از دانش آموختگان ایرانی تا کنون ( سال ۲۰۰۸ ) موفق به دریافت جوایز معتبر علمی- فرهنگی مانند جایزه نوبل، جایزه لسکر، جایزه پریتزکر، جایزه پولیتزر، مدال فیلدز، جایزه آبل، و جایزه کرافورد نگشته‌اند. تنها شیرین عبادی استاد دانشکده حقوق دانشگاه تهران در سال ۲۰۰۳ مفتخر به دریافت جایزه صلح نوبل گشتند. جایگاه دانشگاه‌های ایران در رده بندی‌های بین المللی : رده بندی ARWU : هیچ یک از دانشگاه‌های ایران تا به امروز ( سال ۲۰۰۸ ) در فهرست این رده بندی ( شامل ۵۰۰ دانشگاه ) قرار نگرفته‌اند. رده بندی THE-QS : دانشگاه‌های تهران و صنعتی شریف در سال ۲۰۰۸ در این رده بندی به ترتیب در رتبه‌های ۴۸۵ و ۵۸۶ قرار دارند. رده بندی webometric : برترین دانشگاه ایران در نتایج July ۲۰۰۸ این رده بندی دانشگاه تهران با رتبه جهانی ۱۰۸۳ می‌باشد. دكتر علي اقبالي پدر آموزش عالي خصوصي ايران در تاريخ پيدايي دانشگاه‌هاي خصوصي در ايران نام مدرسه عالي كشاورزي همدان که اولين دانشگاه خصوصي در شمال غرب کشور بوده در سال 1345 به نام دکتر علي اقبالي ثبت شده است. دکتر اقبالي آخرين بازمانده از دانشجوياني است که در 1310 براي ادامه تحصيل توسط دولت به اروپا اعزام شدند. وي از بنيانگذاران آموزش عالي خصوصي در ايران محسوب مي‌شود که هم‌اکنون به عنوان رييس “موسسه آموزش عالي آباداني و توسعه روستاها” در اين شهر به سر مي‌برد. به عنوان شخصي که تاريخ آموزش عالي خصوصي ايران را در سينه دارد گفت‌وگويی با وي انجام داديم . به دليل کسالت ايشان سؤال‌ها کوتاه بود تا تصويري هرچند گذرا از تاريخ آن دوران به دست دهد. پيدايش اولين دانشگاه خصوصي در ايران به چه دوره و چه سالي برمي گردد؟ اولين دانشگاه خصوصي در ايران سال 1339 با ايجاد دانشگاه ملّي ايران (دانشگاه شهيد بهشتي) در شهر تهران به رياست پروفسور پويان آغاز شد كه البته سرمايه اوليه آن از طرف دولت تامين گرديد. بعد از آن نيز مدرسه عالي دختران (دانشگاه الزهراء) با همت آقاي دكتر كريم فاطمي و مدرسه عالي پارس در تهران به همت خانم دكتر پروين خلعتبري تاسيس شدند. بعد از آن هم مدرسه عالي كشاورزي همدان توسط اينجانب زماني كه استاد دانشگاه تهران بودم، با سرمايه شخصي به نام اولين مركز آموزش عالي خصوصي در خارج از تهران، در شهر همدان پايه‌ريزي و راه‌اندازي شد. اساسنامه و برنامه مدرسه عالي كشاورزي همدان در اسفند ماه 1345 توسط شوراي مركزي دانشگاه‌هاي ايران با پشتيباني و همت شادروان مهندس صفي اصفيا رییس سازمان برنامه و بودجه وقت به تصويب رسيد. ليكن پذيرش دانشجو در سال 1347 زير نظر مركز آزمون شناسي وزارت علوم و آموزش عالي در زمان وزارت شادروان دكتر حميد رهنما آغاز شد. مفهوم خصوصي بودن در مديريت اين دانشگاه‌ها تا چه حد رعايت مي‌شد؟ مديريت مدرسه عالي كشاورزي كاملا خصوصي بود و دولت وقت هيچ دخالتي در اداره آن انجام نمي‌داد در واقع شخص من در اداره آن مستقل بودم . مديريت دانشگاه‌هاي خصوصي ديگر چه؟ دخالت يا نظارت دولت در مديريت آنها تا چه اندازه صورت مي‌گرفت؟ اين دانشگاه‌ها تا چه اندازه مستقل عمل مي‌کردند؟ دخالت دولت وقت در مديريت دانشگاه‌هاي خصوصي محدود به مقررات آموزشي دانشگاه‌ها بود. هر سال بنا به مقتضي مسائل و به دعوت شوراي مركزي دانشگاه‌هاي ايران در جلسات وزارتخانه حضور پيدا مي‌كرديم. ما نيز موارد مورد نظر وزارت علوم و آموزش عالي را پس از تصويب و جمع‌بندي در مدرسه عالي اجرا مي‌کرديم.پس دولت هم تا اندازه‌اي در روند تصميم‌گيري‌ها دخالت داشته است. اين دخالت را مي‌توان حداقلي دانست يا حداکثري؟دخالت دولت در دانشگاه‌هاي بخش خصوصي حداقلي بود. سياست‌هاي دولت وقت با توجه به مسائل سياسي، فرهنگي و اقتصادي آن دوران مبتني بر جمايت از شکل گيري مراکز آموزش عالي خصوصي بود يا از روند توسعه آنها جلوگيري مي‌کرد؟ با توجه به اينكه تاسيس بخش خصوصي در آموزش عالي مساله جديدي بود، سياست كلي دولت در روند شكل‌گيري آنها هنوز روشن نبود. اما فقط استادان دانشگاه‌ها بودند كه مي‌توانستند مجوز تاسيس دانشگاه خصوصي بگيرند. مدرسه عالي کشاورزي همدان از چه زماني به عنوان اولين دانشگاه خصوصي در شهرستان شناخته شد؟تاسيس مدرسه عالي كشاورزي همدان با تصويب هيات‌وزيران و ابلاغ نخست وزير وقت در مورخ 5/7/45 خطاب به مسوولان مربوطه در استان همدان رسميت يافت. در آن زمان مزايايي براي موسسان دانشگاه‌هاي خصوصي در نظر گرفته مي‌شد؟ خير.امتيازي خارج از امتيازات معمول اعضاء هيات علمي دانشگاه‌ها به آنها تعلق نمي‌گرفت. دانشسراها نيز در گروه مراکز آموزش‌عالي خصوصي قرار مي‌گرفتند؟ خيردانشسراها جزء مدارس دولتي بودند نه بخش خصوصي. با توجه به تجربه چند دهه اخير در آموزش عالي، آيا مي‌توان گفت ادامه روند شکل‌گيري دانشگاه‌هاي خصوصي در ايران بعد از انقلاب به درستي انجام شده است؟ دانشگاهها و موسسات آموزش عالي كه در چند دهه اخير شكل گرفته‌اند مشخصات بخش خصوصي را ندارد که اين مورد هم به نحوه شکل‌گيري آنها باز مي‌گردد و هم شامل مباني حقوقي در مورد آنها مي‌شود براي مثال سرمايه‌گذاري موسسان دانشگاه‌هاي خصوصي تضمين حقوقي كافي نداشته است که اين نکته براي سرمايه‌گذاران در اين بخش ايجاد مشکل خواهد کرد. آيا اين ناموفق بودن دلائل خاصي داشته يا ناشي از شناخت نادرست از اين بخش مي‌شود؟به دليل عدم واگذاري اختيارات كامل در رابطه با سرمايه‌گذاري و بهره برداري از آن در اين بخش و يا وجود ابهام در آنها، كسي تمايل به سرمايه گذاري در بخش آموزش عالي را ندارد و از طرفي فراهم كردن زير ساخت‌هاي اساسي براي يك دانشگاه خوب نياز به سرمايه قابل‌توجهي دارد. ضمنا مشخص نبودن حدود اختيارات موسسان و ميزان دخالت وزارت علوم نيز سرعت حركت را كند كرده است. از طرفي ديگر برخي از افراد كه مبادرت اخذ مجوز تاسيس موسسه آموزش عالي خصوصي نموده‌اند از سوابق دانشگاهي و مراتب علمي برخوردار نيستند و در نهايت به عنوان آسيب در اين بخش موجب دوري از اهداف اصلي آموزش عالي خواهند شد. آيا مي‌توان ادعا کرد مراکز آموزش عالي که امروزه با نام دانشگاه‌هاي غيرانتفاعي شکل گرفته‌اند همان دانشگاه‌هاي خصوصي دوران پهلوي هستند؟ مي توانند باشند اما هنوز فاصله زيادي با آنها دارند. اين فاصله از نظر شما مثبت است يا منفي؟ در واقع دانشگاه‌هاي غيرانتفاعي در چه سطحي قرار دارند؟دانشگاه‌ها و موسسات آموزش عالي غير انتفاعي براي توسعه نياز به حمايت‌هاي قانوني و مقرراتي دارند. و اين مساله نياز به اين دارد که دولت در رسالت توسعه كيفي و كمي دانشگاه‌ها، توجه بيشتري را به غير انتفاعي‌ها داشته باشد چراکه اين موسسات هزينه تحصيلي، حدودا دويست‌هزار دانشجو را از دوش دولت برداشته‌اند. زندگينامه دكتر علي اقبالي دكتر علي اقبالي در سال 1290 شمسي ، در يكي از خانواده‌هاي اصيل و قديمي همدان به دنيا آمد. تحصيلات ابتدايي خود را، در مكتب خانه نزديك منزل زير نظر استاد معظم شيخ موسي نثري شروع كرد و چند ماه تابستان را نيز در مدرسه تازه تاسيس شادروان امير تومان مهدي خان قراگوزلو در مزداگرد بسر مي‌برد و به آموختن فارسي، قرآن و زبان فرانسه مي‌پرداخت . دوره شش ساله ابتدايي را در مدرسه نصرت همدان به پايان رساند. ايشان از فارغ‌التحصيلان دوره اول اين مدرسه بودند. وي براي ادامه تحصيلات متوسطه به تهران رفت و دوره اول متوسطه را در دبيرستان ثروت تهران گذراند. در سال1310 پس از موفقيت در مسابقه اعزام محصل به اروپا، همراه گروه دوره سوم جهت ادامه تحصيل به فرانسه اعزام شد و ابتدا در “ليسه شامبري” مشغول تحصيل و موفق به اخذ “باكالورآ” يا پيش دانشگاهي فرانسه كه داراي ارزش بين‌المللي است شد. سپس وارد دانشگاه پاريس شد. پس از پايان دوران تحصيلي ليسانس و فوق ليسانس با گرايش زمين شناسي در سال 1317 به ايران مراجعت کرد. دكترعلي اقبالي پس از طي دوره خدمت دو ساله سربازي به عنوان كارشناس وارد بانك كشاورزي ايران شد . در اين زمان با دختر مرحوم حسنعلي خان اشرفي كه وابسته به يكي از خانواده‌هاي اصيل و قديمي ايران و اصالتا از خانواده‌هاي بهشهر مازندران بودند ازدواج كرد. مرحوم حسنعلي خان اشرفي دو بار شهردار همدان بوده و در آن زمان معاون فني شهردار تهران بود . مرحوم مهر انگيز اشرفي همسر ايشان زني فرهيخته بود كه در موفقيت‌هاي فرهنگي و دانشگاهي وي تاثير به‌سزا داشت. حاصل ازدواج دكتر اقبالي و مهرانگيز اشرفي 5 فرزند است. دكتر علي اقبالي در سال 1327 پس از تصويب قانون تاسيس دانشگاه‌ها، در دانشگاه تبريز به‌عنوان عضو هيات علمي بکار مشغول شد و در آنجا با تشويق جوانان به امر ورزش، به‌خصوص ترويج ورزش اسکي و کوهنوردي در بين آنها بسيار کوشش کرد. در همان سال از طرف رييس دانشگاه تبريز، مرحوم دکتر خان بابا بياباني با حفظ سمت معاونت دانشگاه، مأمور تاسيس دانشکده کشاورزي در اروميه شد. دانشكده فوق موجب گسترش آموزش عالي در اروميه شد و درحال حاضر در قالب دانشگاه اروميه قرار دارد. در سال 1331، به دانشگاه شيراز انتقال يافت و با درجه دانشياري در دانشكده پزشكي به تدريس علوم پايه پرداخت و سپس از طرف رييس وقت دانشگاه شيراز مرحوم دكتر قربان مامور ايجاد دانشكده كشاورزي شيراز شد . در سال 1332، به دعوت سازمان يونسكو به پاريس عزيمت و به بررسي وضعيت آبياري و نقش قنات در ايران به تحقيق پرداخت و در خاتمه با ارائه پايان نامه خود در موضوع فوق، موفق به اخذ درجه دكترا از دانشگاه پاريس شد. در سال 1335، باتصويب نمايندگان خوزستان در مجلس شوراي ملي، براي ايجاد دانشكده كشاورزي به خوزستان رفت. در راستاي انجام اين ماموريت، ضمن استقرار در ساختمان قديمي شيخ خزعل با اعتبار مالي ناچيز گام‌هاي اوليه را برداشت، با همكاري نيكوكاران محلي در مدت سه ماه به پايه گذاري دانشكده همت گماشت. وي توانست موافقت مرحوم دكتر منوچهر اقبال رييس هيات‌مديره، شادروان دكتر رضا فلاح معاون ايشان و ساير مديران شركت ملي نفت ايران را براي استفاده از مزرعه هزار هكتاري ملاثاني در 25‌كيلومتري اهواز براي استقرار دانشكده كشاورزي اهواز جلب و براي كارورزي دانشجويان دانشكده آماده كند. اين مركز بعدها به صورت يك دانشكده مستقل از دانشكده كشاورزي اهواز فعاليت مي‌كرد و در حال حاضر يك پايگاه تحقيقاتي بزرگ بوده و به نام دانشگاه كشاورزي و منابع طبيعي رامين فعاليت دارد. در ميان فارغ‌التحصيلان اين دانشكده براي نخستين بار در ايران دو دختر با درجه مهندسي كشاورزي فارغ‌التحصيل شدند. در سال 1337، دكتر اقبالي پس از قبولي در مسابقه دانشياري دانشگاه تهران، به عضويت هيات علمي دانشگاه تهران درآمد و دراين دوران با استاداني چون پروفسور هشترودي، دكتر محمود حسابي، دكتر عزت‌ا... سحابي، دكتر فريدون فرشاد، دكتر شيرواني همكاري داشت. ارتباط وي با پروفسور هشترودي به دوستي نزديکي تبديل شد كه تا پايان حيات پروفسور پايدار ماند. چگونگي آشنايي دكتر اقبالي با دكتر محمود حسابي از زمان كنكور اعزام محصل بخارج شروع شده بود و بعدها با توجه به خويشاوندي نسبي دكتر حسابي با خاندان اشرفي همسر دكتر اقبالي و همچنين رياست ايشان در دانشكده علوم تهران، اين ارتباط نزديك و تا پايان عمر دكتر حسابي باقي ماند. دكتر اقبالي در دانشكده علوم تهران به تدريس نظري و عملي رشته زمين‌شناسي و نقشه‌برداري مشغول شد. وي مجددا در سال 1339 از طرف سازمان يونسكو به فرانسه دعوت شد. اين بار پروژه تحقيقي وي در مورد سرچشمه آب مورد نياز و مصرف جنوب شهر پاريس توسط دو رودخانه LUNIN و LOIGNE انجام گرفت. تحقيقات دو ساله و تصويب آن از طرف كارشناسان سازمان يونسكو نشان داد كه مي‌توان از اين منابع پنجاه ميليون متر مكعب آب بيشتر براي هر منطقه دو‌هزار كيلومتر مربعي بدست آورد. اين تحقيقات، به نام وي در چاپ دوم كتاب “ ژيلبر كاستاني” تحت عنوان منابع آب” اننتشار يافت. اين رساله درجه کسب کرد. در سال 1342، سازمان يونسكو از متخصصان آب در كشورهاي مختلف دعوت کرد كه طي همايشي ده روزه در پاريس، در مورد اندازه‌گيري آب مورد مصرف جهان بررسي کنند. دكتر اقبالي از طرف دكتر منوچهر اقبال، رييس هيات نمايندگي ايران در يونسكو، به عنوان يكي از معاونان رييس نمايندگي انتخاب شد و پس از پايان گردهمايي، نوشته‌ها و پيشنهادات ارائه شده در همايش مذكور، توسط دكتر اقبالي گردآوري شد. اين مجموعه در حال حاضر در كتابخانه دانشگاه بوعلي سيناي همدان قرار دارد. وي همچنين با تصويب سازمان يونسكو مقدمات تاسيس سازمان ژئولوژي و هيدروژئولوژي خاورميانه در ايران را بنيان گذارد. همزمان با اين اتفاق رشته آب شناسي در دانشكده علوم تهران ايجاد شد كه وي به عنوان مدرس در آنجا مشغول شد. دكتر اقبالي پس از بنيان گذاري مدرسه عالي كشاورزي همدان با درجه استادي در دانشگاه تهران به مقام بازنشستگي رسيد. دوران خدمت وي در دانشگاه تهران همزمان با رياست دكتر علي اكبر سياسي، دكتر منوچهر اقبال و دكتر فرهاد و در نهايت پروفسور رضا بوده است. وي در سال 1346، مدرسه عالي كشاورزي همدان را در زميني به مساحت چهل هكتار، واقع در كيلومتر شش جاده همدان به كرمانشاه بنيان گذاشت. اين مدرسه در دو سال اول در دوره كارداني رشته كشاورزي و از سال سوم به بعد، در دوره‌هاي كارشناسي ترويج و آموزش كشاورزي و تعاون روستايي دانشجو تربيت مي‌كرد. دانشجويان كارشناسي مي‌بايست در پايان دوره يك رساله تحقيقي به عنوان پايان نامه تهيه مي‌كردند. اين رساله‌ها بصورت يك مجموعه علمي در كتابخانه مدرسه عالي كشاورزي گرد آوري مي‌شد كه تعداد زيادي از آنها به دليل داشتن اطلاعات جامع و كاملي در مورد روستاهاي استان همدان و برخي روستاهاي ساير استان‌هاي كشور، در سال 1383 تحويل سازمان ميراث فرهنگي همدان شد . مدرسه عالي كشاورزي با زيربنايي به مساحت، شش‌هزار متر مربع، مجهز به تمام وسايل آموزشي، رفاهي، ورزشي و يك موزه بزرگ تاريخ طبيعي بي‌نظير بود. مزرعه‌اي به مساحت دويست هكتار نيز جهت كارهاي عملي و كارورزي آماده شده بود. مدرسه عالي كشاورزي همدان، نخستين دانشكده كشاورزي بود كه به کوشش دكتراقبالي با دانشگاه يوتاي آمريكا قرارداد همكاري آموزشي و تبادل استاد و دانشجو منعقد كرد. سالانه4 نفر از استادان آن دانشگاه براي تدريس دو ماهه به ايران مي‌آمدند. عده‌اي از فارغ التحصيلان نيز براي طي مراحل بالاتر و مطالعات علمي و گذراندن دوره دكترا به دانشگاه يوتا اعزام مي‌شدند. مجموعه بزرگ مدرسه عالي كشاورزي همدان شامل محوطه و ساختمان دانشكده، در سال 1358 به تصرف وزارت دفاع درآمد و سپس به‌دليل نياز شرايط جنگي به صورت پادگان آموزشي در اختيار سپاه قرار گرفت. اموال و وسايل آن به دانشگاه بوعلي سيناي همدان واگذار گرديد . متاسفانه دولت جبران زيان‌هاي مالي و معنوي دانشكده را ننمود . در طي سال‌هاي 1356-1364، فعاليت‌هاي دانشگاهي استاد متوقف و منحصر به مطالعه و تاليف و ترجمه گرديد. اين دانشگاه، مجددا در سال 1375 اقــــدام به تاسيس يك مركز دانشگاهي جديد بنام “موسسه آموزش عالي آباداني و توسعه روستاها” كرد كه در حال حاضر مشغول فعاليت است . تاليفات و ترجمه‌هاي دكتر علي اقبالي در طول زمان و طي فعاليت‌هاي دانشگاهي و آموزشي ورزش روزانه بانوان (1945 ميلادي) 2- رمان تريستان وايزو 1325 (ترجمه) 3-ترجمه كتاب زمين شناسي آذربايجان، تاليف “هوبرت رپين” (ترجمه) 1948 ميلادي 4-رساله دكترا در آبياري ايران و قنات به زبان فرانسه (1954) 5- سفرنامه از پاريس تا كشورهاي اسكانديناوي (1957 ميلادي) 6-تكنونيك (چاپ اول 1961 - چاپ دوم 1964) 7-كارتوگرافي و نقشه‌هاي زمين شناسي(چاپ اول 1961- چاپ دوم 1964) 8- هيدروژئولوژي، تاليف “ژيلبر كاستاني” ترجمه (دو جلد 1965) 9- نقش جنگل در ازدياد آب (1969) 10- اتم در زمين شناسي (1975) 11-ترجمه اكولوژي (چاپ اول 1977- چاپ دوم 85) 12- سفرنامه ژان اتر (OTTER) مبحث تاريخي مربوط به دوره نادرشاه ترجمه (1988) 13- كتاب چنگيزخان تاليف موريس پرشرون ترجمه (1991) 14- پيشنهاداتي درباره حل مشكل و طرح ترافيك تهران. (1370) 15- كدامين محيط زيست “تاليف” (1378) 16- زمين‌شناسي، بحث و تحقيق (1379) 17- كتاب “زمين” ابزارها و روش‌ها تاليف پاكت و ژان در كور ترجمه (1383) 18- ذوالقرنين، كوروش كبير يا اسكندر مقدوني (تاليف 1386) 19- ديده‌ها و شنيده‌ها در دست ويراستاري است(1386) 20- امپراتوري اشکانيان يا تاريخ پارت‌ها در دست چاپ است (1386) خصوصي سازي آموزش عالي و بررسي اثرات و پيامدهاي اقتصادي،اجتماعي آن واگذاري واحدهاي دولتي به بخش خصوصي و كاهش سوبسيدهاي دولتي به اين بخشها مي‏توان آثار و پييامدهاي اجتماعي و اقتصادي مختلفي را بدنبال داشته باشد. در اين تحقيق سعي بر آن بوده است تا از يك سو عواملي كه منجر به شكل گيري انديشه خصوصي سازي آموزش عالي شده مورد بررسي قرار گيرد و از سوي ديگر آثار و پيامدهاي اجتماعي ـ اقتصادي ناشي از اخذ شهريه در دانشگاه آزاد اسلامي مورد تجزيه و تحليل قرار گيرد . همچنين در اين بررسي دو شكل مختلف از خصوصي سازي آموزش عالي از همديگر تفكيك شده است. شكل اول آن عبارت است از نوعي خصوصي سازي كه در آن دانشكده‏ها و دانشگاهها توسط بخش خصوصي تاسيس و اداره شده و مداخله دولت در آن بسيار كم و محدود است و اين مؤسسات از لحاظ مالي مستقل مي‏باشند. اين نوع از خصوصي سازي هنوز در كشور ما محقق نشده است. شكل دوم آن عبارت است از : غير دولتي كردن مؤسسات آموزش عالي از طريق ايجاد دانشگاهها و دانشكده‏هاي غير انتقاعي. اين نوع خصوصي سازي نيز از لحاظ مالي متكي بر اخذ شهريه است. تفاوت نوع دوم با نوع اول خصوصي سازي در اين است كه خصوصي سازي از نوع دوم با اهداف غير انتفاعي بوده و دخالت دوت در آن نسبت به نوع اول خصوصي سازي آموزش عالي بيشتر است. نمونه عيني نوع دوم خصوصي سازي آموزش عالي در كشور ما دانشگاه آزاد اسلامي مي‏باشد. نتايج بدست آمده نشان مي‏دهد كه مهمترين دلايل مدافعان خصوصي سازي آموزش عالي در كشور ما كمبود منابع مالي بوده است . اين تحقيق در جهت رد ادعاي مذكور با طرح مسائلي كه بيانگر عدم كمبود منابع مالي در كشور ما است نارسائي هاي موجود در امر ت،مين هزينه‏هاي آموزش عالي را ناشي از تخصيص نامطلوب منابع و امكانات جامعه مي‏داند. يكي از ادعاهاي طرفداران خصوصي آموزش عالي بالا رفتن كيفيت آموزش در نيتجه خصوصي سازي آموزش عالي است. اين ادعا نيز با توجه به مورد دانشگاه آزاد اسلامي و برخي دانشگاههاي خصوصي در ساير نقاط جهان رد شده است. تحقيق حاضر با بررسي شاخصهاي مؤثر بر كيفيتهاي آموزشي در دانشگاه دولتي و آزاد به اين نتيجه رسيده است كه هيچ دليلي دال بر افزايش كيفيت آموزشي در دانشگاه آزاد اسلامي نسبت به دانشگاههاي دولتي وجود ندارد. مطالعه انجام شده نشان مي دهد که دانشجويان دانشگاه آزاد اسلامي از لحاظ سطح رفاه اقتصادي بالاتر از دانشجويان دانشگاه دولتي مورد مطالعه بوده اند. همچنين نتايج بدست آمده از اين تحقيق نشان مي‏دهد كه خصوصي سازي آموزش عالي آثار و تبعاتي همچون افزايش نابرابريهاي اجتماعي و به دنبال آن طبقاتي شدن آموزش نا برابري در دسترسي به فرصتهاي آموزشي، تفوق انگيزه‏هاي سود جويانه در بخش خصوصي، تغيير در سلسله مراتب اجتماعي به نفع طبقات بالاي جامعه را در پي خواهد داشت. با توجه به آثار و پيامدهاي منفي ناشي از خصوصي سازي آموزش عالي و بدليل عدم وجود زمينه‏هاي اقتصادي و اجتماعي لازم همچون غير عادلانه بودن توزيع درآمدها در كشور ما وجود ذهنيتي عام بر ضد خصوصي سازي، وجود مانع قانوني ( اصل سي ام قانون اساسي ) و مغايرت خصوصي سازي آموزش عالي با برخي ارزشهاي اساسي ريشه‏دار در جامعه ما مثل عدالت اجتماعي، نتيجه گيري شده است كه در حال حاضر شرايط لازم و كافي براي خصوصي سازي آموزش عالي در كشور ما وجود ندارد. ارزيابي آموزش عالي ارزيابي آموزش عالي عبارت است از فرايند تعيين، تهيه وگردآوري داده ها واطلاعات به منظور قضاوت درباره عوامل نظام آموزش عالي براي تصميم گيري جهت بهبود  تعبيرهاي ارزشيابي وارزيابي در نظامهاي آموزشي مترادف اند. اما واژه (سنجش )گاه به معني اندازه گيري وگاه به معني ارزشيابي به کار مي رود. بنابراين، ارزشيابي آموزش عالي ابزاري است که ميتوان از آن براي تحقق هدفهاي نظام آموزش عالي استفاده کرد. به طور کلي، از اموزش عالي انتظار مي رود که پنج وظيفه اصلي را به انجام  رساند. ياددهي،يادگيري، تحقيق، دانش پژوهي، (سازمان دهي وعصاره کردن دانش موجود)، اداره اموردانشگاهي، وعرضه خدمات مورد نياز جامعه، موسسه هاي آموزش عالي (دانشگاهها ،دانشکده ها ،واحدهاي آموزش عالي) براي تحقق هدفهاي مورد نظر وانجام وظايف مورد انتظار بايد کارکردهاي مديريت آموزش عالي را مورد استفاده قرار دهند. اين کارکردها شامل : برنامه ريزي توسعه  آموزش عالي سازمان دهي آموزش عالي هدايت ورهبري آموزش عالي ارزشيابي آموزش عالي هستند استفاده از ارزشيابي آموزش عالي به مديريت امکان ميدهد تا ضمن افزايش کارايي، از تحقق هدفها اطمينان حاصل کند. در يک موسسه اموزش  عالي به منزله يک نظام، براي برنامه ريزي توسعه آموزش عالي بايد از ارزشيابي جهت تعيين نيازها وهدفگذاري وطراحي برنامه ها وفعاليت هاي جاري براي دست يابي به هدفها استفاده کرد. انجام اين امر مستلزم استفاده از ارزشيابي تشخيصي است. درسازمان دهي فعاليت هاي نظام آموزش عالي ياد شده، از ارزشيابي جهت انجام امور زير استفاده مي شود نظارت بر چگونگي تحقق هدفها ومشخص کردن اينکه افراد تا چه اندازه مسئوليتهاي محوله را به انجام مي رسانند تا چه اندازه در رفع مشکلات جهت دست يابي به هدفها کوشش مي کنند. شبکه ارتباطي چگونه است وتا چه اندازه ازآن براي تسهيل تحقق هدفهاي نظام  آموزش عالي استفاده مي شود. امور گزينش، استخدام، نگهداري، ارتقا»وتوسعه هيئت علمي وساير کارکنان، در راستاي تحقق هدفهاي نظام آموزش عالي تا چه اندازه از کارايي واثربخشي برخوردارند.در امر هدايت ورهبري نظام آموزش عالي ياد شده، از ارزشيابي به منظور قضاوت درباره کيفيت امور به اين شرح استفاده مي شود. اينکه تا چه اندازه جهت ترغيب اعضاي هيئت علمي وساير کارکنان ونيز جلب اطمينان آنان کوشش به عمل آمده است. اينکه اطلاع رساني درباره امور نظام اموزش عالي تا چه اندازه از کيفيت برخوردار بوده است. اينکه اثر بخشي فعاليتها وعملکرد آنها تا چه اندازه است. براي ارزشيابي کارکردهاي سازمان دهي وهدايت ورهبري در آموزش عالي از ارزيابي تکويني وارزشيابي پاياني استفاده مي شود. پيشينه ارزشيابي آموزش عالي در کشورهاي مختلف ارزشيابي برخي عوامل نظامهاي آموزش عالي (داوطلبان ورود به آموزش عالي و دانشجويان) هم زمان با تاسيس اين نظامها آغاز شده است. انجام اين گونه ارزشيابي مستلزم گرد آوري داده ها درباره دانش، نگرش ومهارتهاي فردي است. براي اين منظور از انواع آزمونها استفاده مي شود. همچنين در برخي از نظامهاي آموزش عالي براي ارزشيابي کيفيت تدريس هيات علمي از روش" نظر سنجي دانشجويان " استفاده مي شود. استفاده از اين روش در صورتي مفيد است که ازآن براي بهبود کيفيت تدريس استفاده شود وبخشي از نظام توسعه هيئت علمي تلقي شود. در صورتي که از نظر سنجي دانشجويان براي عرضه باز خورد منفي به هيئت علمي استفاده شود، نه تنها در بهبود کيفيت آموزشي موثر نخواهد بود، بلکه اثرهاي نامطلوبي به بار خواهد آورد. استفاده از ارزشيابي براي قضاوت درباره کليه عوامل نظامهاي اموزش عالي (درونداد، فرايند، برونداد و پيامد) سابقه اي چندان طولاني ندارد. در اين کاربرد ،ارزشيابي آموزش عالي از دو جنبه مورد نظر قرار مي گيرد . ارزشيابي برنامه هاي مصوب (برنامه درسي دوره هاي کارشناسي وتحصيلات تکميلي ) 2- ارزشيابي موسسه هاي آموزش عالي ارزشيابي برنامه هاي درسي آموزش عالي (قبل از اجرا ) در کشورهايي که ساختار آموزش عالي آنها غير متمرکز است معمولا به وسيله دانشگاه مجري به عمل مي آيد. اما در کشورهايي مانند ايران که ساختار آموزش عالي ،متمرکز است ،برنامه هاي درسي قبل از اجرا ارزشيابي شده وبه صورت مصوب در مي آيند. بنابراين، در نظامهاي اموزش عالي يا ساختار غير متمرکز (آموزش عالي امارات متحده آمريکا، انگلستان وبرخي ديگر از کشورهاي اروپايي ) معمولا موسسه هاي آموزش عالي خود به طراحي دوره هاي آموزش عالي مورد نياز جامعه اقدام مي کنند وبه منظور پاسخگويي به نيازها بلافاصله به اجرا در مي اورند. در اين صورت ارزشيابي برنامه هاي مورد اجرا، بخشي از فرايند ارزشيابي آموزش عالي در اين کشورهاست. به طور کلي، پيشينه ارزشيابي موسسه هاي آموزش عالي  در ايالات متحده آمريکا حدود يک قرن مي رسد . هر چند اين کشور، در نيمه دوم قرن نوزدهم ميلادي نيز کوششي جهت سامان دادن به کيفيت آموزش پزشکي به عمل آورد. اما کوششهاي سازمان يافته براي نظم دادن به بهبود کيفيت آموزش عالي در آن کشور از سالهاي پاياني قرن نوزدهم ودهه اول قرن بيستم آغاز گرديد. اين کوششها در پي کمکهاي مالي دولت فدرال امريکا به آموزش عالي، در دهه هاي (1960-1950 م ) افزايش يافت . در دهه هاي بعد، پديده کيفيت کالا وخدمات اهميت ويژه اي پيدا کرد. مفهوم کيفيت وبهبود آن،که در توليد کالا وخدمات مورد توجه قرار گرفته بود، به تدريج به  آموزش عالي راه يافت ومبحث مديريت کيفيت جامع نيز در آموزش عالي آمريکا اهميت يافت. در حال حاضر، در امريکا استانداردهاي مود نظر در اعتبار سنجي نه تنها درونداد اموزش عالي بلکه مجموعه اي از درونداد، فرايند، برونداد و پيامدهاي نظام آموزش عالي را شامل مي شود. از جمله انجمنهاي منطقهاي اعتبار سنجي، که چنين مجموعه اي را براي ارزشيابي آموزش عالي به کار مي برند، مي توان به انجمن دانشگاه ها ومدارس امريکا اشاره کرد. در کشورهاي امريکاي جنوبي، ازجمله مکزيک، شيلي مي توان کوششهايي را در زمينه ارزيابي موسسه ها يا آموزش عالي مشاهده کرد.کشورهاي اروپايي در دو دهه 1980و1990 "م" به منظور ايجاد هماهنگي در کيفيت آموزش عالي  ودر راستاي کوششهاي ايجاد جامعه متحد اروپا، درصدد فراهم آوردن ساز وکار مناسبي جهت بهبود وتضمين کيفيت آموزش عالي بر آمدند. از طرف ديگر، آموزش عالي در اغلب کشورها با پديده هاي جهاني شدن اقتصاد، رشد سريع فناوريهاي اطلاعات وارتباطات، افزايش تقاضا براي ورود به آموزش عالي ونيز کاهش منابع مالي رو برو شده است . بنابراين کشورهاي ياد شده براي پاسخگو کردن موسسه هاي آموزش عالي وشفاف کردن امور آنها ، از 1985 م کوشش ويژه اي را به منظور طراحي واستقرار سازوکارهاي نو در ارزشيابي آموزش عالي به عمل آوردند. اين کوششها ، به ويژه در دهه 1990م افزايش يافت. با توجه به اين کوششها، از 1995م براي ارزشيابي موسسه هاي اموزش عالي در برخي کشورها، مثل فرانسه، دانمارک، فنلاند، ايرلند وانگلستان نهادهاي ويژه تاسيس شده است. از جمله در دانمارک در 1992م "مرکز تضمين کيفيت اموزش عالي "تاسيس شد. کوششهاي اين مرکز در ارزيابي وبهبود کيفيت آموزش عالي دانمارک آنچنان موثر بوده که دولت دانمارک وظايف آن را به تمام سطوح  نظام آموزشي گسترش داده است. براي اين منظور،نهاد يادشده به موسسه دانمارکي ارزشيابي تبديل گرديد. اين موسسه يکي از موفق ترين سازمانهاي ارزشيابي آموزش عالي در کشورهاي اروپايي است. همچنين، کوششهاي انجمن دانشگاههاي اروپا در گسترش ارزيابي آموزش عالي در دانشگاههاي اروپا از اهميت برخوردار است. در ميان کشورهاي آسيايي، تجربه هاي کره جنوبي وهندوستان در ارزشيابي اموزش عالي نسبت به ساير کشورها از انسجام و تداوم بيشتري برخوردار بوده است. در ايران نيز کشورهاي ارزشيابي کشورهاي آموزش عالي، در زمينه قضاوت درباره کيفيت نظام آموزش عالي وبهبود مستمر امور ان، از 1375 با تدوين واجراي يک طرح پيش پژوهش در آموزش پزشکي آغاز شد. با توجه به نتايج موفقت اميز اين طرح، ارزشيابي دروني در تمام گروههاي آموزش پزشکي داخلي در بيش از سي دانشگاه به اجرا درامد. بازتاب نتايج ارزيابي دروني در ميان مديران وتصميم گيرندگان نظام اموزش عالي کشور چنان بود که در زمان تدوين برنامه "عمراني پنج ساله "سوم جمهوري اسلامي ايران، نظر برنامه ريزان آموزش عالي در مقياس کلان به ارزشيابي آموزش عالي جذب شد. از اين رو، دربرنامه يادشده، يکي از فعاليت هاي اجرايي برنامه سوم در اموزش عالي به ويژه در ارزيابي دروني آموزش عالي  اختصاص يافت. در اجراي مصوبات قانون برنامه عمراني پنج ساله سوم، وزارت علوم، تحقيقات وفناوري کوششهاي ارزيابي دروني را از آغاز 1380 به عمل اورده است. در ميان کشورهاي قاره افريقا مي توان به افريقاي جنوبي که در ارزشيابي آموزش عالي کوششهاي چشم گيري به عمل اورده اشاره کرد. کارآفرینی در نظام آموزش عالی رقابت پذيري در اقتصاد جهاني به توانمندي هاي تکنولوژيکي و نوآوري وابسته است. اين امر شامل توانايي توسعه محصولات جديد و دسترسي به بازارهاي جديد، به کارگيري تکنولوژي جديد، اعمال بهترين الگوهاي مديريتي در بنگاه ها و توسعه سطوح مهارتي در طيف وسيعي از نيروي کار است. دانشگاه ها قادرند در تمامي اين موارد نقش مهمي ايفا کنند. در نتيجه افزايش ظرفيت تحقيقات و تکنولوژي کشور براي تبديل دستاوردهاي علمي و يافته هاي فناورانه به موفقيت هاي صنعتي و تجاري و اشتغال زايي به نقش کارآفريني دانشگاه ها وابسته است. لذا رويکرد حاکم بر فعاليت هاي آموزشي و پژوهشي و مشاوره اي، رويکرد نيازگرا در تعامل با سازمان هاي بيروني دانشگاه است. اگر به روند رشد وتوسعه جهاني توجه داشته باشيم، در مي يابيم که با افزايش و گسترش فناوري هاي پيشرفته، نقش و جايگاه کارآفرينان به طور فزاينده اي بيشتر مي شود و کارآفريني فردي و سازماني از عوامل مهم رشد وتوسعه اقتصادي به شمار ميآيد، به طوري که در غرب و برخي کشورهاي ديگر، دو دهه اخير دهه هايي  طلا يي کارآفريني نام گرفته است. ساختارهاي موجود در دانشگاه هاي کشور با هدف آموزش تخصصي دانشجو شکل گرفته است و کمتر تقويت و تربيت کارآفريني در دانشجويان مد نظر است. به طوري که فارغ  التحصيلا ن فعلي دانشگاه ها اغلب با مفاهيم اوليه کارآفريني آشنايي ندارند. علا وه بر ضعف نظام آموزشي دانشگاه ها در آموزش مفاهيم کارآفريني عدم ساختارهاي مکمل جهت ايجاد زير ساختار فيزيکي براي توسعه روحيه کارآفريني در دانشجويان از ضعف هاي ديگر اين نظام است. خيل عظيم فارغ التحصيلا ن دانشگاهي باعث اشباع سازمان هاي دولتي و حتي خصوصي از نظر پرسنل مورد نياز شده است و درصد زيادي از فارغ التحصيلا ن دانشگاه ها امکان جذب در اين سازمان ها را ندارند. اين موضوع زمينه هاي مهاجرت فارغ التحصيلا ن دانشگاهي به کشورهاي ديگر را سبب شده است و بيکاري فارغ التحصيلا ن را به يک معضل مهم  در کشور تبديل کرده است. براي رفع اين مشکل روش هاي مختلفي امروزه در دنيا تجربه شده است. اغلب اين روش ها در دو دسته تکميل ساختارهاي آموزشي و ايجاد بسترهاي لازم کارآفريني مانند مراکز رشد تجربه گرديده است. تکميل ساختارهاي آموزشي که به منظور آشناسازي دانشجويان نسبت به مسائل کسب و کار و تربيت و تقويت روحيه کارآفريني ايجاد مي شوند آماده سازي روحي و رواني فارغ التحصيلان براي ورود به عرصه هاي اقتصادي را هدف مي گيرد. بسترهاي توسعه کارآفريني به منظور فراهم آوردن شرايط فيزيکي لازم براي ورود اين فارغ التحصيلان کارآفرين ايجاد مي شود و ايجاد حرفه هاي اقتصادي را هدف مي گيرند. از جمله ساختارهايي که در بسياري از کشورها براي اين منظور تجربه شده اند، مراکز رشد تجاري و فناوري (انکوباتورها) هستند. مروري بر تجربه مراکز آموزش عالي در کشورهاي مختلف نشان مي دهد که اين مراکز با توجه به شرايط اقتصادي و اجتماعي که در آن قرار گرفته اند به يکي از اين راه حل ها پرداخته اند يا دوره هاي آموزشي با عنوان کارآفريني راه اندازي کرده اند يا اقدام به ايجاد يک مرکز رشد در دانشگاه نموده اند. در بسياري از موارد نيز اين دو راهکار به طور همزمان به کار گرفته مي شود. پيش بيني مکانيزم هاي لازم در بهره گيري از اين به صورت تکميل کننده يکديگر از جمله مسائلي است که نقش بسزايي در اثر بخشي اين راه حل ها دارد، نظام آموزش عالي کشور در يکي دو سال اخير به موضوع تقويت و توسعه روحيه کارآفريني در دانشجويان توجه ويژه اي مبذول داشته واقدام به سرمايه گذاري اوليه در اجرايي کردن اين دو راه  حل نموده است. ايجاد دوره ها و مراکز کارآفريني و همچنين صدور مجوز و حمايت نسبت به راه اندازي بيش از 15 مرکز از اقدامات اجرايي است که در اين رابطه شکل گرفته است. به منظور بهره گيري بيشتر از اين دو حرکت ، که به صورت کاملا  مستقل انجام شده است، لازم است کارکردکل مجموعه هاي راه اندازي شده در دستور کار مديران آموزش عالي قرار گيرد . تاريخچه آموزش کارآفريني در دانشگاه ها  امروزه آموزش کارآفريني به يکي از مهمترين و گسترده ترين فعاليت هاي دانشگاه ها تبديل شده است. به عنوان مثال در ايالات متحده آمريکا آموزش کارآفريني در درون دوره هاي دانشگاهي و توسط موسسات خاص مورد توجه بسياري قرار گرفته است. کانادا و برخي کشورهاي آسيايي همچون فيليپين، هند، مالزي نيز گام هاي اساسي جهت حمايت از کارآفريني برداشته اند، اين حمايت ها شامل ارائه راهنمايي هاي عملي، مشاوره، ارائه تسهيلات مالي و برگزاري دوره هاي ويژه در خصوص کارآفريني در درون دانشگاه ها يا خارج از دانشگاه ها مي باشد. براساس مطالعات انجام شده در آمريکا تعداد دانشکده هايي که دوره هاي کارآفريني را در برنامه هاي آموزشي خود گنجانده بودند از اواخر دهه 1960 تا سال 1987 به بيش از 130 دانشکده رسيده بود که در سال 1980 تعداد آنها به 163 دانشکده افزايش يافت. از سال 1980 تا 1985 يعني در فاصله پنج سال با افزايش 90 دانشکده ديگر که رشته هاي کارآفريني را ارائه مي کردند اين تعداد به 253 دانشکده رسيد. بسياري از دانشکده ها، رشته هاي کارآفريني را به صورت استاندارد شروع مي کنند که شامل پروژه هاي «طراحي شرکت هاي نوپا» و همچنين مطالعات موردي، بررسي ها و سخنراني ها مي باشد که توسط ميهمانان يا اساتيد برگزار مي شود. در سال 1990 تعداد دانشکده هاي کارآفريني به بيش از 500 دانشکده افزايش يافت. به طوري کلي تا سال 1990، چهار دسته اصلي از دوره هاي آموزشي کارآفريني شکل گرفت که : دسته اول : برنامه هايي براي آگاهي و جهت گيري به سوي کارآفريني دسته دوم : برنامه هاي آموزشي براي توسعه شرکت هاي تازه تاسيس دسته سوم : دوره هايي براي رشد و بقاي کارآفرينان و شرکت هاي کوچک دسته چهارم : توسعه آموزش کارآفريني: به طوري که استاد و دانشجو با نقش هاي نوين خود آشنا گردند آموزش و پرورش کارآفرينان در نظام آموزش عالي کشور ما با بيش از 20 سال تاخير نسبت به کشورهاي توسعه يافته در اواخر سال 1379 در وزارت علوم ، تحقيقات و فناوري با عنوان طرح کاراد مورد توجه قرار گرفت . براساس برنامه سوم توسعه کشور، طرحي تحت عنوان «طرح توسعه کارآفريني در دانشگاه هاي کشور» که به اختصار کاراد نام گرفته است تدوين و اجراي آن با نظر سازمان مديريت و برنامه ريزي و وزارت علوم، تحقيقات و فناوري در 12 دانشگاه کشور شروع و مسووليت پيگيري، اجرا و امور ستادي آن از سوي وزارت علوم در اواخر سال 1379 به سازمان سنجش آموزش کشور واگذار گرديد. (گزارش دبيرخانه کاراد 1381). مفهوم کارآفريني در آموزش عالي کارآفريني را فراتر از شغل و حرفه، بايد يک شيوه زندگي دانست که با ايجاد و انتقال آن به نسل جديد، بسياري از مشکلات و آسيب هاي اجتماعي موجود برطرف مي شود. براساس تعريف «sawyer John» در سال 1958، کارآفريني نه تنها در واحدهاي کسب و کار، که در ساير سازمان ها و در همه وظايف و کارها، چه کارهاي کاملا  نوآورانه يا کاملا ساده مي تواند ديده شود. وقتي اين گونه بنگريم که کارآفريني نه تنها جزيي از زندگي، بلکه خود زندگي است که بايد از حرکت و پويايي لازم برخوردار باشد، به جاي آن که فعاليت ورشد انديشه فراگيران را در فرآيند ياددهي و يادگيري، بارفتارهاي خشک، فشرده و تکراري مسدود نماييم و فرصت انديشيدن را از آنان بگيريم، شرايط را به گونه اي فراهم سازيم که تمام افراد به تلاش و انديشه بپردازند، که در اين راستا نقش آموزش عالي به دليل تاثيرات بنيادين آن در تحولا ت اجتماعي بسيار بااهميت است. اهداف و محتواي آموزش کارآفريني هدف اوليه، از توسعه کارآفريني همانا تربيت نمودن افراد متکي به نفس و آگاه به فرصت ها است . آموزش هاي کارآفريني به دنبال بهبود و انگيزش در گرايش هاي افراد همچون فرصت جويي، ابتکار، مخاطره پذيري و ... است. هدف از گنجاندن کارآفريني در برنامه درسي (علا وه بر ايجاد توانايي در افراد جهت کارآفريني و شکل گيري کسب و کارهاي جديد) مي تواند برونداد گسترده تري به شرح زير داشته باشد : - درک نقاط نسبي قوت و ضعف انواع فعاليت هاي مخاطره آميز . - شناخت روش هاي ممکن براي شناسايي و ارزشيابي فرصت هاي اقتصادي و عواملي که باعث  حمايت يا مانع خلاقيت مي گردند . - درک فرايند کارآفرينانه و برنامه ريزي ، ايجاد و توسعه فرايند. - پرورش و توسعه توانايي هاي شکل دهي، سازماندهي و کارکردن در تيم هاي ميان رشته اي. - داشتن استراتژي هاي عمومي جهت ايجاد يک شرکت جديد. - شناخت ويژگي هاي عمومي يک رفتار کارآفرينانه. - درک امور مربوط به ايجاد و ارائه يک طرح کسب وکار جديد . نگرش هايي وجود دارد که کارآفرينان موفق به آن نياز دارند. اما مشکلي که وجود دارد اين است که نگرش ها را نمي توان تدريس کرد يا حداقل شبيه مهارت ها به آساني نمي توان در تدريس ارائه کرد. چون نگرش ها بيشتر به صورت تدريجي از دوران اوليه کودکي شکل مي گيرند. اين فاکتورها بر شکل گيري اهداف و محتواي آموزش تدريس تاثير مي گذارند و ما را رهنمون مي سازند. در اينجا به اهداف و محتوايي که نوعا در آموزش کارآفريني وجود داشته يا لازم است که وجود داشته باشند، اشاره مي شود. ضمنا نکاتي پيرامون روش تدريس نيز مورد بحث قرار مي گيرد. اهداف آموزش کارآفريني هيلز با مطالعه بر روي مربيان دانشگاهي که کارآفريني را تدريس مي کنند ، اهداف آموزش کارآفريني را چنين توصيف مي کند : افزايش آگاهي و درک فرآيند شروع و راه اندازي کسب و کار جديد، توسعه يک مسير شغلي، درک روابط ميان رشته هاي دانشگاهي و افزايش و تقويت، مهارت هاي کارآفرينانه . هدف اصلي در آموزش کارآفريني از ديدگاه هيلز: پرورش و توسعه افراد کارآفرين و پرورش افراد متکي بر خود از طريق فرايند يادگيري بيان شده است. همچنين بايد به اين مساله مهم توجه داشت که لازم است براي دانشجويان مزايا و مضرات تصميم گيري درباره مسير شغلي، استراتژي هاي آمادگي و زمان ورود به شغل را مشخص نمود. علاوه بر آن بايد مهارت هاي تحليلي شاگردان را با استفاده از مفاهيم و ابزارها و روش هاي جديد، پرورش و توسعه داد و حساسيت آنان را نسبت به شناسايي فرصت هاي کسب و کار افزايش داد، اعتماد به نفس را در آنها بالا برد ، به طوري که با پتانسيل بالايي در کسب و کار تلاش نمايند. محتواي آموزش کارآفريني هودويانگ با مطالعه بر روي 100 نفر از مديران ارشد اجرائي که در مدت 5 سال نرخ رشد حداقل 200 درصد داشته اند، مهمترين عوامل محتوايي در موفقيت کسب و کار را چنين توصيف مي کنند : مديريت مالي و بودجه، مهندسي، حسابداري، دانش بازاريابي و فروش، روي هم رفته 29 زمينه محتوايي ذکر شده بود در زمينه مهارتها، مهارت هاي رهبري، مهارت هاي ارتباطي و مهارت هاي روابط انساني به عنوان مهمترين مهارت هاي مورد نياز براي کارآفريني ذکر شده بود اما داشتن فکر فرصت گرايانه، بينش و تفکر مثبت نيز مهم قلمداد شده بود. روي هم رفته 8  نوع عامل فکري و ذهني مختلف ذکر شده بود. از ميان 10 عامل شخصيتي مختلف که ذکر شده بود، مهمترين شان خودانگيزشي، ريسک پذيري، عقل و درايت و ارزش بود. همه پاسخ دهندگان موافق بودند که تمام عوامل اين چهار نوع زمينه مختلف به غير از چند عامل شخصيتي مي توانند تدريس شوند. دانشگاه کارآفرين دانشگاه نقش بالقوه و واقعي در توسعه اقتصادي کشورها دارد . ماهيت جديد رقابت هاي بين المللي، اين نقش را به طور بنيادي تغيير مي دهد و اگر آن ها نتوانند به نهادها و دانشگاه هاي کارآفرين تبديل شوند در توسعه ملي و منطقه اي و رقابت شکست خواهند خورد. استفاده دانشگاه ها از علم و دانش به ماهيت کارآفريني آن ها بستگي خواهد  داشت. به دليل مشکلا ت موجود در انتقال علم و به دليل وجود شبکه هاي مختلف اقتصادي، استفاده از دانش جديدي که بر مبناي اصول علمي ايجاد شده ، مي تواند يک عامل مهم و قوي برتري منطقه اي باشد بنابراين کارآفرين ساختن دانشگاه ها، تاثير قوي و مثبت بر توسعه منطقه اي دارد. دانشگاه ها به دنبال حفظ يا تقويب جايگاه رقابتي خود همراه با فعاليت هايي بوده اند که هدفشان جذب بيشتر دانشجويان جهت نيل به موفقيت است. به علا وه آن ها بايد فعال و نوآور باشند و توان پذيرش ريسک را داشته باشند، آن ها بايد يک رويکرد جامع ارزيابي اتخاذ کنند و آن را با کارآفريني استراتژيک خود يک پارچه کنند. دانشگاه کارآفرين يک موسسه خود مولد است و در روند گذر از سازمان مبتني بر هدايا و وابسته به فضاي نهادهاي ديگر براي منابعش مي باشد. انجام تحقيقات مرتبط اقتصادي، دانشگاه را وادار به برقراري ارتباط با محيط بيروني مي سازد. دانشگاه هاي کارآفرين موقعيت و قانون گذاري و دسترسي شان به منابع عمومي را افزايش مي دهند. در چنين فضايي تبديل دانش به کالاي اقتصادي از سوي موسسات دولتي ، بخش خصوصي و دانشگاه ها ترغيب مي شود . همانطور که از مفهوم تعاريف کارآفريني مي توان استنباط کرد ، کارآفرين سه فعاليت اصلي را انجام ميدهد :1) ايجاد کسب و کار 2) نوآوري در محصول 3) اشتغالزايي در رشد و توسعه ملي، کارآفرين با ايجاد زنجيره ارزش کارآفريني، خود را به عنوان نيروي محرکه و موتور توسعه اقتصادي مطرح مي کند. از اين رو در کشورهاي پيشرفته، سياست هاي حمايتي مناسبي را در تقويت ويژگي هاي کارآفرينانه در افراد و در مجموع ابقاي روحيه کارآفريني در سطح جامعه اتخاذ کرده اند. در جهان  کنوني، دانشمندان کارآفرين و دانشگاه هاي کارآفرين، با تبديل دانش به مالکيت معنوي به فضاي دانشگاهي شکل جديدي مي دهند. امروزه دانشگاه ها در بنگاه هاي ايجاد شده از سوي اعضاي علمي سهم دارند. آنها در جستجوي مالکيت معنوي و انتشار مقاله و شهرت علمي بيشتر از يافته هايشان هستند و دانشمندان دانشگاهي به مخترعين، توسعه دهندگان و کارآفرينان تبديل شده اند. دانشگاه ها در هر يک از ماموريت هاي خود از ديد فردي به ديدگاه سازماني سوق داده مي شوند. اشتغالزايي مستلزم برنامه هاي کارآفريني به ويژه در محيط هاي آموزش عالي مي باشد، لذا فعاليت هاي دانشگاهي ضمن ايفاي نقش در توليد علم و دانش در سطح جهان، بايد سهم عظيمي در توسعه صنعتي و نوآوري تکنولوژي کشور داشته باشند. بنابراين دانشگاه ها بايد با تدوين برنامه هاي استراتژيک به سوي دانشگاه هاي کارآفرين سوق داده شوند. اين امر مستلزم بسترسازي مناسب همراه با اقدامات ساختاري و غيرساختاري و توسعه تفکر و انديشه مديريت کارآفريني در محيط هاي دانشگاهي است که خوشبختانه زمينه آن در کشور موجود مي باشد. آینده آموزش عالی اين احتمال وجود دارد که در آینده به جای آموزش "عالی" با آموزش "نه چندان عالی" روبه رو شويم. منظور از آموزش نه چندان عالی، همان آموزش "غیر رسمی" است. به بیانی دیگر آموزش های دانشگاهی در جهان امروز در جهت و مسیری حرکت می کنند که خواسته یا ناخواسته به گسترش آموزش های غیر رسمی کمک می کنند، آن هم با سهولت و سرعتی به مراتب بیشتر از آنچه که آموزش های رسمی و سنتی برای رسیدن به جایگاه کنونی خود طی کرده اند. دانشگاه های پيشرو این واقعیت را درک کرده اند و با برچیدن دیوارهای بلند و دروازه های قدیمی می کوشند خود را با تحولات دنیای جدید و دیجیتالی همگام سازند. در جهان امروز دیگر دانش و آموزش عالی از انحصار دانشگاه ها خارج شده است و دانش پژوهان در دانشگاهی به وسعت اقیانوس اینترنت به کسب دانش و آگاهی آن هم متناسب با نیاز و واقعیت های جهانی که در آن زندگی می کنند، می پردازند. اگر تا کنون در مباحث آموزشی معاصر با واژه هایی مانند آموزش غیر رسمی، غیر سنتی، مدرن، مادام العمر و ... سر و کار داشتیم، از اين پس باید واژه های نسبتاً جدیدی مانند "دوره افزار" (Courseware) آشنا شويم و تازه داستان به همین جا ختم نمی شود. دوره های دانشگاهی که پیش از این برای ما جدید به نظر می رسیدند و به آنها دوره های "پژوهش محور" می گفتیم، دیگر جای خود را به دوره های "دانشجو محور" داده اند. با ادامه روند کنونی در آینده ای نه چندان دور با دوره های "حرفه محور" نیز آشنا خواهیم شد. بهتر است قدری در این واژه های تامل کنیم تا متوجه شویم به کجا می رویم.  کافی است با اندکی جستجو در اینترنت و کاوش برای یافتن دوره های آموزش الکترونیکی یا آموزش مجازی با دو وب سایت جالب توجه در این نشانی ها رو به رو شوید: نخست، دوره افزار آزاد دانشگاه ام. آی. تی (http://ocw.mit.edu)  و بعد هم، دوره افزار آزاد دانشگاه ییل که در این نشانی قرار دارد: (http://open.yale.edu)  مدتی نه چندان طولانی است که این دو دانشگاه آمریکایی برنامه ای را با عنوان "دوره افزار" یا همان "کلاسهای آزاد" را دنبال می کنند که هدف از آن ارایه آزلد و رایگان دروس دانشگاهی برای عموم علاقمندان است. این برنامه ها که در ابتدا تنها متون، سیلابس، و مطالب کمک آموزشی مرتبط با درس ها را در بر می گرفت، اینک حتی شامل فیلمهای ویدویی برخی از کلاسهای درسی مانند کلاس های رشته مهندسی الکترونیک و چند رشته دیگر از گروه علوم پایه مانند فیزیک و زیست شناسی می باشد که تماشای آنها حتا برای کسانی که این دوره ها را گذرانده اند، می تواند بسیار آموزنده باشد. در حقیقت با  مشاهده چگونگی ارایه مطالب استادان و محیط کلاسها می توان دریافت که دانشگاههای امروزی تا چه اندازه دستخوش تغییر و تحول شده اند.  باید پذیرفت پدیده جهانی شدن امروز مرزهای آموزش عالی را نیز در نوردیده است. در واقع يکی از مباحثي که امروز پيرامون روندهاي اصلي آموزش عالي در جهان آینده مطرح شده است، فرايند جهاني شدن است. در این مسیر ابتدا باید درک مناسبی از موضوع آموزش عالي داشته باشیم. در جهانی که گسترس فناوری اطلاعات و ارتباطات در آن شبکه ای تقریباً نامتناهی را از منابع عظیم آموزشی بر روی بستر اینترنت گردآورده است، آیا دیگر می توان پذیرفت که تنها دانشگاه ها هستند که می توانند ارایه کننده مفهومی به نام آموزش عالی باشند؟ تلقي ها و برداشتهای ما از ماهیت واقعی آموزش عالی اهمیتی ندارد، مهم این است که امروز آموزش عالی دیگر محدود به فضا و مکان و حتا زمان معینی نیست. ديدگاه ها و نظریه های گوناگون صاحب نظران در رابطه با ماهيت آموزش عالی در جهان امروز همگی به یک واقعیت اذعان دارند و آن این که وضعيت كنوني آموزش عالی و چيزي كه از آن غالباً با عنوان آموزش عالي سنتی ياد مي شود ، آخرین روزهای عمر خود را سپری می کند. چنین اذعانی بر پایه این واقعیت شکل گرفته است که بخش مهمی از آموزش عالی به ویژه در بخش تحصیلات تکمیلی یعنی مقاطع کارشناسی و کارشناسی ارشد، وابسته به کاوش ها و کوشش هاس شخصی خود دانشجویان شده است. بدیهی است از آنجایی که اینترنت دسترس پذیرترین ابزار جستجو در جهان امروز به شمار می آید، دانشجویان آن را به عنوان اولین مقصد خود در نظر می گیرند. با افزایش مراجعات به این رسانه ارتباطی جهانی اندیشمندان بسیاری به این اندیشه پرداختند که از اینترنت به عنوان یک ابزار آموزشی استفاده کنند و این دقیقاً همان چیری است که امروز در دوره افزارهای دانشگاههایی مانند ام. آی. تی یا ییل می بینیم. تاثير اینترنت و به ویژه اجرای شیوه های نوین آموزش عالی از طریق آن که مهمترین ویژگی یعنی جذابیت را برای شخص دانش پژوه در بر دارد، تاثیر متقابل دیگری نیز داشته است و آن گسترش ابعاد فنی شبكه اينترنت و شبكه هاي ديجيتالی محلی با توجه به شرایط و نیازمندی های آموزش عالی است. مطرح شدن ابزارهای جدیدی مانند پورتفوليوهای آموزشی و دیگر سامانه های آموزشی که همگی از نمادهای بارز این تاثیر متقابل محسوب می شود، گواهی بر این ادعاست.  نقش پیدا کردن دانشجو به عنوان محور اصلی آموزش و کسی که تمامی پژوهش ها در نهایت به او می انجامد، سبب شده است تا در دنیای امروز دیگر فراگیری دروس گوناگون حالت اجباری خود را از دست بدهد. مدتهاست در برخی از کشورهای توسعه یافته دیگر این دانشجو است که دروس مناسب برای رسیدن به اهداف آموزشی خود را از میان مجموعه ای از دروس مرتبط انتخاب می کند و طراح سیلابس خود اوست. دوره هایی که توسط دانشجوها طراحی و اجرا می شوند، کم نیستند و در چنین دوره هایی استاد تنها نقش ناظر و هدایت گر را بازی می کند. از آنجایی که هدف از آموزش عالی آماده شدن برای کسب مهارت های لازم به منظور عهده دار شدن مشاغل و جایگاه های اجتماعی است و گرفتن مدرک تنها هدفی برای اثبات این ادعاست، دوره های دانشجو محور نیز به تدریج جای خود را به دوره های حرفه محور می دهند. به همین منوال می توان انتظار داشت در سال های آینده رشته های دانشگاهی علاوه بر ترکیب بیشتر دروس ومهارت ها برای حرفه های معین و مشاغل اجتماعی مشخصی طراحی و اجرا شوند و به تدریج کارخانه های مدرک سازی که تنها عنوان زیبای دانشگاه را با خود یدک می کشند، برچیده شوند. بررسی روندهاي جهاني در آموزش عالي روشنگر همگاني شدن و بين المللي شدن این بخش از نظام آموزش جهانی است. به گفته ی دکتر فاضلی، یکی از اندیشمندان و صاحب نظران کشورمان در عرصه آموزش عالی، "فهم ما از آموزش عالی بيش از آنکه ناشی از واقعيت های بد و ناگوار در اين نهاد باشد، به نحوه فهم ما از فرايند گذار از آموزش عالی سنتی به به مرحله تازه ی آن در تاريخ آموزش و تلاش برای سازگاری با مجموعه فرايندهای اجتماعی جديد جهان بستگی دارد. درک وضعيت جديد جامعه انسانی بسيار پيچيده و دشوار شده است و از آن پيچيده تر درک نهادی است که رسالت آن شناخت اين پيچيدگی ها و معماهاست. از اينرو ماهيت نوین آموزش عالی، ماهيتی شناختی و معرفتی است . ما در فهم آموزش عالی جديد و تحولات آن درمانده ايم. اين بحرانی است که بايد به آن صادقانه اعتراف کنيم ." رونالد بارنت - از صاحب نظران برجسته مطالعات آموزش عالی - اين مساله را اينگونه توصيف می کند : "مهمترين بحران در آموزش عالی مربوط به شيوه ی ما در فهم آموزش عالی اصول بنيادينی است که به شکل سنتی ايده آموزش عالی بر آن استوار گشته است، و مربوط به شيوه و روشی است که اين اصول امروز کوچک و کم ارج شده اند ". در حقیقت آنچه که در جهان امروز اتفاق افتاده است، تغيير بستر اجتماعی آموزش عالی است. مروری بر تحولات آموزش عالی از ظهور اولين دانشگاه در قرن سيزدهم در بولونيای ايتاليا تا به امروز نشان می دهد که آموزش عالی همواره نهادی پويا و متغيير بوده است و همگام با تحول ساختارهای اجتماعی، فرهنگی و معرفتی تغيير کرده است. از اين منظر می توان شکل گيری و تحول نقش ها، کارکردها و ساختار نهاد آموزش عالی در جهان را مشاهد کرد. با توجه به تغییر تدريجی جوامع از جامعه سنتی به جامعه دانش بنيان، می توان انتظار داشت که تقاضای اجتماعی برای دانش و مهارت ها افزايش يافته است و دانشگاه ها در سراسر جهان ناگزير به گسترش کمی و کيفی خود شده اند. ممکن است ادامه این روند دیگر تنها از عهده دانشگاه ها بر نیاید و در آینده شاهد شکل گیری نهادهایی باشیم که به شکلی وظایف پیشین دانشگاه ها را بر عهده بگیرند. ظهور نظريه های مشارکتی تا حد قابل توجهی به این موضوع دامن زده است و يادگيری تعاملی با تاکيد بر بعد اجتماعی آموزش عالی به جای بعد آکادمیک آن، تحولی چشمگیر را در روش های تدريس و آموزش به وجود آورده است. به ویپه آن که با تاکيدی که بر موثرتر بودن آموزش از راه انتقال مهارت های مسووليت پذیری از فرادهنده به فراگیر یا همان استاد به دانشجو می شود، دیگر با نقش تسهيل کننده استادان رو به رو هستیم، نه نقش «تعليم دهنده» و معلم.   دیگر حتا اصطلاح "آموزش از راه دور" نیز نمی تواند معنای سفت و محکم سابق خود را داشته باشد، چرا که اینترنت آموزش را نزدیکتر از آن چیزی ساخته است که بتوان آن را آموزش از راه دور قلمداد کرد. این یک واقعیت است و گریزی از آن نیست. آموزش های مادام العمر و به بیان بهتر پیوسته از طريق اینترنت دیگر به جای دروس رسمی و دانشگاهی آموزش های حرفه ای و تامين مهارت های زندگی و توليد دانش ها و آگاهی های هوشيار کننده را ارایه می کنند و این چیزی کاملاً متفاوت با گذشته است. فصل سوم : تاثیر داده کاوی درارتقای اموزش عالی مقدمه از هنگامي که رايانه در تحليل و ذخيره سازي داده ها بکار رفت (1950) پس از حدود 20 سال، حجم داده ها در پايگاه داده ها دو برابر شد. ولي پس از گذشت دو دهه و همزمان با پيشرفت فن آوري اطلاعات(IT) هر دو سال يکبار حجم داده ها، دو برابر شد. همچنين تعداد پايگاه داده ها با سرعت بيشتري رشد نمود. اين در حالي است که تعداد متخصصين تحليل داده ها و آمارشناسان با اين سرعت رشد نكرد. حتي اگر چنين امري اتفاق مي افتاد، بسياري از پايگاه داده ها چنان گسترش يافته اند که شامل چندصد ميليون يا چندصد ميليارد رکورد ثبت شده هستند و امکان تحليل و استخراج اطلاعات با روش هاي معمول آماري از دل انبوه داده ها مستلزم چند روز کار با رايانه هاي موجود است. حال با وجود سيستم هاي يکپارچه اطلاعاتي، سيستم هاي يکپارچه بانکي و تجارت الکترونيک، لحظه به لحظه به حجم داده ها در پايگاه داده هاي مربوط اضافه شده و باعث به وجود آمدن انبارهاي ( توده هاي ) عظيمي از داده ها شده است به طوري که ضرورت کشف و استخراج سريع و دقيق دانش از اين پايگاه داده ها را بيش از پيش نمايان کرده است (چنان که در عصر حاضر گفته مي شود « اطلاعات طلاست» ). هم اکنون در هر کشور، سازمان ها، شرکت ها و . . . براي امور بازرگاني، پرسنلي، آموزشي، آماري و . . . پايگاه داده ها ايجاد يا خريداري شده است، به طوري که اين پايگاه داده ها براي مديران، برنامه ريزان، پژوهشگران و... جهت تصميم گيري هاي راهبردي، تهيه گزارش هاي مختلف، توصيف وضعيت جاري خود و . . . مي تواند مفيد باشد. داده کاوي يا استخراج و کشف سريع و دقيق اطلاعات با ارزش و پنهان از اين پايگاه داده ها از جمله اموري است که هر کشور، سازمان و شرکتي به منظور توسعه علمي، فني و اقتصادي خود به آن نياز دارد. در کشور ما نيز سازمان ها، شرکت ها و مؤسسات دولتي و خصوصي به طور فزاينده ولي آهسته در حال ايجاد يا خريد نرم افزارهاي پايگاه داده ها و مکانيزه کردن سيستم هاي اطلاعات خود هستند . کتابخانه ها و موسسات آموزشی نیز از ان دسته موسساتی هستند که با مشکل مدیریت کارآمد بار سنگین داده ها که دائما نیز در حال افزایش است روبرو می باشند. نرم افزارهای کامپیوتری بکار گرفته شده برای این منظور، غالبا فقط برای  پرس و جوهای معمولی و پشتیبانی از مسائل مدیریتی و برنامه ریزی کوتاه مدت اداری جوابگو هستند. درحالیکه در عمق درون این حجم داده ها، الگوها و روابط بسیار جالبی میان پارامترهای مختلف بصورت پنهان باقی میماند. داده کاوی یکی از پیشرفتهای اخیر در حوزه کامپیوتر برای اکتشاف عمیق داده هاست. داده کاوی از اطلاعات پنهانی که برای برنامه ریزیهای استراتژیک و طولانی مدت میتواند حیاتی باشد پرده برداری میکند. كاربرد دادهكاوي در آموزش عالي كاربرد دادهكاوي در آموزش عالي با توجه به اينكه آموزش عالي همواره با دادهها و اطلاعات بسيار زيادي در مورد دانشگاهها، دانشجويان، اعضاي هيئت علمي، پرسنل، منابع مادي و... با توجه به اينكه آموزش عالي همواره با دادهها و اطلاعات بسيار زيادي در مورد دانشگاهها، دانشجويان، اعضاي هيئت علمي، پرسنل، منابع مادي و... روبروست و در اكثر مواقع اين دادهها ميتواند حامل اطلاعات و الگوهاي باارزشي باشند، لذا به نظر ميرسد يكي از مهمترين كاربردهاي دادهكاوي در آموزش عالي است. روبروست و در اكثر مواقع اين دادهها ميتواند حامل اطلاعات و الگوهاي باارزشي باشند، لذا به نظر ميرسد يكي از مهمترين كاربردهاي دادهكاوي در آموزش عالي است.امروز بانكهاي اطلاعاتي وسيعي از ويژگيهاي دانشجويان موجود است كه اطلاعات مربوط به ويژگيهاي خانوادگي، تحصيلي و ... امروز بانكهاي اطلاعاتي وسيعي از ويژگيهاي دانشجويان موجود است كه اطلاعات مربوط به ويژگيهاي خانوادگي، تحصيلي و... را شامل ميشود. را شامل ميشود. پيدا كردن الگوها و دانش نهفته در اين اطلاعات ميتواند به تصميمگيرندگان عرصه آموزش عالي كمك شاياني بكند.پيدا كردن الگوها و دانش نهفته در اين اطلاعات ميتواند به تصميم گيرندگان عرصه آموزش عالي كمك شاياني بكند. استفاده از تكنيكهاي پيشرفته دادهكاوي مانند خوشهبندي، طبقهبندي، و استفاده از تكنيكهاي پيشرفته دادهكاوي مانند خوشه بندي، طبقه بندي، و... ميتواند در طبقهبندي دانشگاهها، يافتن الگوهاي خاص و با ارزش در مورد دانشجويان موفق، يافتن يك برنامه يا روش موفق تدريس، يافتن نقاط بحراني در مديريت مالي دانشگاهها و موارد ديگر كاربرد داشته باشد.ميتواند در طبقه بندي دانشگاهها، يافتن الگوهاي خاص و با ارزش در مورد دانشجويان موفق، يافتن يك برنامه يا روش موفق تدريس، يافتن نقاط بحراني در مديريت مالي دانشگاهها و موارد ديگر كاربرد داشته باشد. کاربردهای داده کاوی در کتابخانه ها و محیط های دانشگاهی داده کاوی در ابتدا از حوزه تجارت برخاست اما کاربردهای آن در سایر حوزه هائی که به گردآوری حجم وسیعی از داده هائی می پردازند که دستخوش تغییرات پویا نیز می گردند، مفید شناخته شد. بخشهایی مثل بانکداری، تجارت الکترونیک، سهام، بیمارستان و هتل از این نمونه اند. انتظار میرود که استفاده از داده کاوی در بخش آموزش بطور عام امکانهای جدید بسیاری ارائه دهد. برخی کاربردهای داده کاوی در کتابخانه ها و قسمت اداری آموزش در ذیل مورد بحث قرار گرفته اند. مدیریت و خدمات کتابخانه عملیات کتابداری بطور کلی شامل مدیریت مدارک، ارائه خدمات و امور اداره و نگهداری است. هر کدام از این کارکردها با انواع مختلفی از داده ها سروکار دارد و بطور جداگانه پردازش میشود. اگرچه، انجام تحلیل ترکیبی براین مجموعه های داده  نیز میتواند افق تازه ای را بگشاید که به طرح خدمات جدید و تحول رویه ها و عملیات جاری کمک نماید. جدول یک برخی از کاربردهای ممکن داده کاوی را که میتواند در کتابداری مفید باشد ارائه میکند. جدول یک- کاربردهای داده کاوی در کتابخانه ها کاربرد متصوربانک اطلاعاتی  برای تعیین نقاط قوت و ضعف مجموعهگردآوری منابعبرای ایجاد رابطه بین خواننده، منابع کتابخانه و زمان مشخصی از سالاستفاده از مجموعهبرای تحلیل سفارشهای پاسخ داده شده و سفارشهای دریافت شدهامانت بین کتابخانه ایبرای پیش بینی روند بازگشت منابعداده های بخش امانتبرای نشان دادن منابع مالی بکار گرفته شدهداده های هزینه  داده کاوی میتواند برای پاسخ دادن به یک سوال خاص مربوط به کتابخانه و نیز برای کشف روندهای عمومی که به تصمیم گیری کمک میکنند، استفاده شود. برای مثال سوال میتواند چنین باشد : امکان اینکه امانت گیرندگان منابع را یک هفته بعد از تاریخ عودت برگردانند تا نامه های یادآوری کمتری فرستاده شود چقدر است؟ یا میزان اشتراک مورد انتظار برای نشریات بین المللی انتخاب شده برای سال آینده چقدر است؟ درک الگوی استفاده کلی مجلات الکترونیکی یا تحلیل درخواستهای  اعضا  برای میکروفیلمها طی 5 سال گذشته نیز همگی مثالهایی از کشف روندهای عمومی اند. دامنه تحلیل استنادی هم میتواند با استفاده از داده کاوی گسترش داده شود. در ارتباط با کتابخانه ها، وب کاوی حوزه دیگری از علاقمندی است. وب کاوی شامل محتوا کاوی وب، ساختار کاوی وب و استفاده کاوی وب با توجه به یک موضوع خاص است که در طراحی خدمات جدید مبتنی بر وب کمک خواهد کرد . مدیریت موسسات دانشگاهی اداره موسسات دانشگاهی کار پیچیده ای است. در این موسسات دائما نیاز به درآمدزایی و خود کارآمدی و کاهش وابستگی به بودجه دولتی احساس میشود. این مساله کنترل دائمی جنبه های مختلف هر فعالیت و پروژه را می طلبد. بانکهای اطلاعاتی برای چنین موسساتی  مربوط به دانشجویان، دانشکده، اساتید و کارمندان، تعداد رشته ها و چند مورد دیگر است. ارزیابی تقاضا و وضعیت عرضه نقش مهمی بازی میکند. مرور بانکهای اطلاعاتی نمونه در جدول 2 نمایانگر کاربردهای بالقوه داده کاویست .  جدول 2- کاربردهای داده کاوی در موسسات دانشگاهی کاربرد متصوربانک اطلاعاتیبرای درک رابطه های جمعیت شناختی، اقتصادی و اجتماعیثبت نام دانشگاهیبرای ایجاد رابطه بین عوامل اقتصادی-اجتماعی و نمرات اخذ شدهکارایی دانشگاهیبرای تعیین میزان مفید بودن سیستم با استناد به نمرات امتحانبانک سوالاتبرای ارزیابی همکاری دانشکده با توجه به میزان استفاده از کتابخانههمکاری فکریبرای پیدا کردن تأثیر انتشارات در تقاضا برای رشته هاانتشاراتبرای تحلیل سوالات دریافت شده در وب سایت دانشگاه و کمک به ایجاد رشته های جدید دانشگاهیبازدیداز وب سایت   مسائل جهانی در آموزش عالی 1 - اهداف آموزشی عوامل مؤثرجهانی آموزش عالی را نیز تحت تأثیر قرار می دهند. امروزه تقریباً هر کشورسه هدف را در زمینه آموزش عالی خود دنبال می کند. اوّلین هدف نیاز برای دستیابی گسترده تربه آموزش عالی است چون دستیابی به آموزش عالی در هرگوشه از جهان بسرعت روندی صعودی را طی می کند. در دهه 1960 به ندرت کشوری در اروپای غربی پیدا می شد که نسبت گروه سنی آن در آموزش عالی (18 به 22) به بیشتر از 8 درصد می رسید امروزه به ندرت می توان کشوری را در اروپای غربی سراغ گرفت که نسبت یاد شده در آموزش عالی آن پایین تر از 35 در صد باشد . ثبت نام در سطح جهانی بین 10 تا 15 در صد هر ساله افزایش می یابد که این رقم کشورهای طبقه متوسط و کم در آمد آسیا، آفریقا و آمریکای لاتین را نیز در برمی گیرد . در حال حاضر نقاط انگشت شماری در جهان وجود دارد که آموزش عالی صرفاَ شامل آموزش "نخبگان" می دانند یعنی کشورهایی که در آن آموزش عالی به پایین تراز 15 در صد گروه سنی می رسد. آموزش عالی به "آموزش جمعی" تبدیل شده است. تعداد ثبت نام شدگان در دانشگاه ملی اوتونوما  واقع در مکزیک، 269,000 نفر است، تعداد دانشجویان در دانشگاه دهلی 309,000 است، دانشگاه آناطولی (ترکیه) بیش از یک میلیون دانشجو دارد، و تعداد ثبت نام شدگان در دانشگاهی که ممکن است بزرگترین دانشگاه خصوصی جهان باشد، یعنی دانشگاه آزاد اسلامی ایران، با 145 شعبه، 850,000 دانشجو است. تصویری که ممکن است از گذشته در باره مؤسسات آموزش عالی بعنوان خلوتگاه هایی که درانزوا بوده و به آموزش معدود افرادی برگزیده می پرداختند در اذهان وجود داشته باشد می باید تغییر کند. واقعیت آنست که امروزه آموزش عالی اغلب مقوله ای خشک و بی روح است - صف های طولانی برای ورود به کلاسهای درس کهنه شده، کتابخانه هایی با کتب بیشمار مفقود شده، دیوار های ترک خورده، رنگهای ریخته شده، و شیرهای آبی که چکه می کنند. هدف دوّم در هر کشور بهبود بخشیدن به کیفیت آموزش عالی است. طی دهه گذشته در معیاری که بتواند به تعریف کیفیت آموزش عالی کمک کند، انقلابی صورت گرفته است. آموزش عالی با کیفیت بالا اینک نیازمند نوگرایی الکترونیکی در کلاسهای درس، خوابگاه ها، کتابخانه ها، آزمایشگاه های علوم و سالنهای مطالعه است. سن دانشجویان اغلب بالاتر رفته، بصورت نیمه وقت کار می کنند و محل زندگی آنان دوراز محوطه دانشگاه است. ملاک برای برخورداری ازکیفیت بالا، دیگر کتابهای درسی نیست بلکه اطلاعات کاملاً به روزشده ای است که از منابع چاپی یا الکترونیکی می توان بدست آورد. اطلاعات برای دانشجویان پویش شده و از طریق اتصال رایانه ای در دسترس آنان قرارمی گیرد. دانشجویان در هر نقطه که سکونت داشته باشند و یا بهنگام سفر می توانند به اطلاعات مربوط به برنامه آموزشی خود دسترسی پیدا کنند. جالب تر اینکه ، مقررات مربوط به کلاس درس نیز تغییر کرده است. زمان کلاس درس دیگر به جمع آوری اطلاعات برای دانشجویان اختصاص ندارد بلکه در عوض مختص تجزیه و تحلیل اطلاعاتی است که قبل از تشکیل کلاس درس جمع آوری شده است. اینترنت و سایر اشکال اطلاعات الکترونیکی کاربرد کتابخانه های سنّتی را تغییر داده و کیفیت آنرا افزایش داده است. اعضای هیأ ت علمی و دانشجویان دیگر نیاز کمتری به حضور فیزیکی در مکان دارند. زمانی معروفیت یک کتابخانه دانشگاهی به میزان منابع آن بود. امروزه معروفیت آن به میزان دستیابی آن به اطلاعات بستگی دارد. تفاوت بسیار زیاد است. هریک از کتابخانه های دانشگاههایی که از کیفیت بالا برخوردارند، به اندازه کافی پول در اختیار دارند که بتوانند به "شبکه های اطلاعاتی" اختصاصی که در آن داده ها با یکدیگر مبادله می شوند، متصل شوند . شبکه های کتابخانه های دانشگاهی شبکه هایی انتقالی بوده و کتابخانه های دانشگاه ها در اروپا، آسیا و امریکای شمالی را پوشش می دهند. دستیابی به اطلاعات همان چیزی است که کتابخانه های مجهز را از کتابخانه های عادی متمایز می سازد. تمامی خدمات دانشگاهی، هم آموزشی و هم کتاب شناسی، از طریق تسهیلات باند پهن اطلاعاتی ارائه می شود. در حقیقت درجه بندی دانشگاه ها در حال حاضر به اندازه پهنای باند اطلاعاتی یک دانشگاه بستگی دارد. دانشگاه هایی که پهنای باند کمتری دارند نمی توانند از نظر کیفیت با دانشگاه هایی که از پهنای باند بیشتری بر خوردارند رقابت کنند.  سوّمین هدف دانشگاه ها در سراسر جهان عبارتست از پیشبرد عدالت، یعنی اعطاء کمک هزینه تحصیلی به دانشجویان ممتازاز میان خانواده های مستمند و یا ازمناطق محروم. بسیاری از دانشگاه های درجه یک آنقدر منابع مالی در اختیار دارند که بتوانند از هر سه دانشجو به یک نفر کمک هزینه تحصیلی بپردازند و این بسیار فراتر از آن چیزی است که از طریق منابع دولتی امکان پذیر خواهد بود.  2 - منابع مالی امّا رسیدن همزمان به هر سه هدف بسیار پر هزینه است و تنها چند کشور معدود میتوانند از عهده مخارج آن از طریق استفاده از منابع دولتی بر آیند. با در نظر گرفتن افزایش تعداد دانشجویان و بالا رفتن انتظارات آنان از نظر کیفی و کمّی، دیگر منابع مالی موجود کافی بنظر نمی رسند. کمبود منابع مالی دولتی احتمالاً همیشگی خواهد بود و این امر به معضلی جهانی تبدیل خواهد شد. چگونه آموزش عالی می تواند با موفقیت از عهده هزینه اهداف خود، از جمله هدف همیشگی آن برای خدمت بهتر به جامعه، برآید؟ یک چنین معضلی هم مؤسسات دولتی و هم مؤسسات خصوصی را شامل می شود. بعنوان مثال، در ایالات متحده دانشگاه های دولتی تنها 15 تا 20 در صد بودجه های جاری خود را از مراجع قانونی ایالتی تاًمین می کنند ، دانشگاه مسئول تأمین مابقی است و از اینرو دانشگاه های دولتی و خصوصی که از کیفیتی بالا برخوردارند، در مدیریت اهداف و سیاستهایشان یکسان خواهند بود. تمامی دانشگاه ها می توانند در چهار گروه طبقه بندی شده حق گزینش داشته باشند و برای آنها تقاضای کمک مالی نمایند. - آنها می توانند از راههای متداول (نظیر بالا بردن شهریه ها، دریافت اجاره بها برای تأسیسات و افزایش هزینه های ثابت ) به در آمد خود بیافزایند. - آنها میتوانند منابع در آمد زای خود را متنوع سازند (مانند اجرای حق انحصاری اثر برای اختراعات و یا سرمایه گزاری در بازارهای سهام). -  آنها می توانند منابع موجود را بگونه ای مؤثر تر اختصاص دهند (بعنوان مثال، تغییر جهت از سرمایه گزاری جزء به سرمایه گزاری کل، متمایز کردن حقوق اعضاء هیأت علمی و غیره). -  آنها می توانند برنامه ها و خدماتی را که منسوخ شده است حذف کنند (بعنوان مثال علوم خانگی). تمامی این گزینه ها بحث انگیزند. دانشگاه هایی که از کیفیت آموزشی بالایی بر خوردارند نه تنها در افزایش منابع موفق تر هستند، بلکه در اختصاص دادن مجدد منابعی که بدست آورده اند هوشیارانه ترعمل می کنند تا بدینوسیله عملکرد خوب و عامّه پسند آنها حفظ شود. البته مؤسسات مختلف در این مورد که تا چه حد می توانند در تأمین بودجه اهداف خود موفق باشند اختلاف نظر دارند. برخی کند تر حرکت می کنند زیرا هنوز متوجه نشده اند که برای آنکه دانشگاهها بتوانند از کیفیتی بالا بر خوردار باشند، اکنون باید همگی تأمین بودجه و مدیریت را در دست خود بگیرند. بعضی امکان دارد چنین روندی را به "تجاری کردن" آموزش عالی تعبیر کنند. برخی دیگر ممکن است به آن بعنوان جهانی شدن "الگوی امریکایی" آموزش عالی بنگرند. من بگونه ای متفاوت آنرا بعنوان نیازی برای بهینه کردن منابع می بینم. من چنین روندی را نه بعنوان تجاری کردن بلکه بعنوان تخصصی کردن آموزش عالی درجستجوی بحق آن برای برتری توصیف می کنم، به آن نه بعنوان الگویی امریکایی بلکه بعنوان الگویی موفق می نگرم که در آن تمامی ارکان آموزش عالی باید مشارکت داشته باشند تا بتواند پاسخگوی آن چیزی باشند که اکنون بدلیل کمبود منابع دولتی از آن بعنوان یک معضل جهانی نام برده می شود. 3 - همبستگی اجتماعی عامل جهانی دیگری نیز آموزش عالی را تحت تأثیر قرار می دهد که ارزش مطرح کردن را دارد و آن روشی است که از طریق آن آموزش عالی به همبستگی اجتماعی یک ملت کمک می کند (یا مانع آن می شود). آموزش عالی، چه در بخش دولتی و چه در بخش خصوصی، در ایجاد اطمینان پیرامون همزیستی مسالمت آمیز شهروندان با یکدیگر و با همسایگان خود، و اینکه فارغ التحصیلان دانشگاهها از لحاظ فنّی می توانند عملکردی در حد انتظار در بازار کار داشته باشند نقشی برای ایفا کردن بر عهده دارد.  اینکه هدف اوّلیه دانشگاهها آموزش است، تحقیق است و یا آمادگی حرفه ای، تمام آنها در تلاش اند تا همبستگی اجتماعی جامعه را از طریق دو سازوکار تحت تأثیر قرار دهند. یک سازوکار آنها از طریق برنامه آموزشی و حرفه ای در آموزش تاریخ، فرهنگ، زیست شناسی، فیزیک، مهندسی و بوم شناسی است. دانشگاه هایی که از کیفیتی آموزشی بالا برخوردارند در رابطه با سعه صدر و صداقتی که از خود در مقابل ادبیات و آثار ادبی جهان نشان می دهند که آزادانه و تا حد امکان تحت عناوین مختلف در دسترس دانشجویان قرار گرفته است تعریف می شوند .  راه دوّم روشی است که از طریق آن یک دانشگاه الگویی از رفتار خوب و معیار های حرفه ای را به نمایش می گذارد. این روش نشان دهنده میزان اهمّیتی است که یک دانشگاه صادقانه و منصفانه برای عملکرد دانشگاهی قائل است، یعنی میزان طرفداری و پایبندی آشکار هیأت علمی و اجرایی آن به اصول اخلاقی، و میزان جانبداری آن از بحث آزاد و احترام به عقاید گوناگون. هر چه که یک دانشگاه این خصوصیات را بیشتر از خود بروز دهد امکان بیشتری برای دانشجویان آن در اثبات خود بعنوان سرمایه های انسانی ازطریق کسب دانش و مهارت فراهم خواهد آمد و آنان به سرمایه اجتماعی که سبب ایجاد تمایل برای فدا شدن در راه یک هدف مشترک و همچنین تحمل و درک اراء و عقاید دیگران می شود کمک بیشتری خواهند کرد .   دانشگاه هایی که در صد بیشتری از سرمایه انسانی و اجتماعی را بنمایش می گذارند از کیفیتی بالا بر خوردارند، و این دانشگاه های با کیفیت بالای آموزشی می باشند که بیشترین اثر مثبت را در همبستگی اجتماعی ملتها خواهند داشت. این بدان معناست که دانشگاه هایی که در آن فساد بچشم می خورد و نمرات و تصمیم گیری در مورد پذیرش دانشجویان و پایان نامه ها را می شود با دادن رشوه عوض کرد، دانشگاه هایی هستند که همبستگی اجتماعی را به مخاطره می اندازند. یک دانشگاه فاسد بجای آنکه الگویی از رفتار خوب ارائه دهد، الگویی متضاد را بنمایش می گذارد یعنی رفتاری که آینده ملت را به مخاطره می افکند. امروزه مبارزه با فساد در آموزش عالی مسئله ای است جهانی و مخاطرات در این راه بسیار زیاد است. روش بلونیا که از طریق آن اعضاء اتحادیه اروپا برای هماهنگ کردن نظام های آموزش عالی خود بمنظور ایجاد تحرک بیشتر در میان دانشجویان و کارکنان در تلاش اند و رهنمود های نوین یونسکو در مورد پایان نامه ها فرصتی را برای دانشگاه ها در نقاط مختلف جهان پدید می آورد تا از نظر کیفیت برنامه ها با یکدیگر مقایسه شوند. تمایل دانشگاهی که از کیفیتی بالا بر خوردار است برای مقایسه با دیگر دانشگاهها اغلب به این بستگی دارد که آن دانشگاه تا چه میزان بتواند ثابت کند که فساد در آن جریان ندارد. بار سنگین اثبات چنین امری بر دوش بازرسی ها و بررسی های خود دانشگاه است. در صورتیکه دانشگاه نتواند صداقت خود را به اثبات برساند، دانشجویان آن دانشگاه مادام العمر از امتیازات بازارکار محروم خواهند شد و مردم مجاز به پرسیدن این سئوال خواهند بود که سرمایه ملی تا چه میزان بدرستی مصرف شده است. بطور خلاصه، "الگویی" موفق از آموزش عالی بگونه ای فزاینده در حال اجرا در تمامی مناطق جهان می باشد و آن الگویی است که بر طبق آن مؤسسات آموزش عالی خود قادر به تأمین نیاز های مالی برای اجرای اهداف خود باشند. بوضوح آشکار می شود که آموزش عالی نقشی بی همتا را برای ایفا در همبستگی اجتماعی یک ملت دارا است، امّا این نقش میتواند در قالب الگویی از رفتار غیر حرفه ای منفی یا با دستیابی به معیارهای بین المللی رفتار، نقشی مثبت باشد. محدودیت ها ی داده کاوی در آموزش عالی کاربرد داده کاوی با چند عامل محدود شده است. اولین مورد به سخت افزار و نرم افزار لازم و موقعیت بانک اطلاعاتی مربوط میشود. برای مثال در هند، داده های غیر مجتمع که برای کاربردهای داده کاوی لازم است ممکن است به فرم دیجیتالی در دسترس نباشد. در دسترس بودن نیروی انسانی ماهر در داده کاوی نیز مسأله مهم دیگری است. محرمانه بودن رکوردهای مراجعان ممکن است در نتیجه پردازش داده های مبتنی بر داده کاوی آسیب پذیر شود. کتابداران و مؤسسات آموزشی باید این مسأله را در نظر داشته باشند، چرا که در غیر اینصورت ممکن است گرفتار شکایات قانونی گردند . محدودیت دیگراز ضعف ذاتی نهفته  در ابزارهای نظری ناشی میگردد. ابزارهایی مانند یادگیری ماشینی و الگوریتمهای ژنتیکی بکار گرفته شده در  فعالیتهای داده کاوی به مفاهیم وفنون منطق و آمار بستگی دارد. در این حد نتایج به روش مکانیکی تولید شده و بنابراین به یک بررسی دقیق نیاز دارند. اعتبار الگوهای بدست آمده به این طریق باید آزمایش شود. چرا که که در بسیاری موارد روابط علل و معلول مشتق شده از برخی استدلالات غلط ذیل رنج میبرند .  ● علت دور مثلا امکانات ضعیف خوابگاه باعث می شود دانشجویان نمرات پایینی کسب نمایند. ● علت مجرد مثلا بودجه محدود بر بازدهی پژوهشی دانشکده تأثیر می گذارد. ● علائم در نظر گرفته شده برای این عوامل مثلا مجموعه کتابخانه ممکن است افزایش نیابد چون تعداد خوانندگان مرتبا کاهش می یابد ● سفسطه دسته بندی مثلا مدرسان حقوق بسیار بالا دریافت می کنند و کل حقوقشان بالغ بر میلیونها میشود. ● سفسطه ترکیب مثلا اگر هر مدرس در دانشکده شایسته و واجد صلاحیت باشد کل دانشکده عملکرد بهتری خواهد داشت. ● سوگیری در انتخاب نمونه مثلا استناد به یافته های یک پیمایش نمونه گیری شده از دانشجویان یک دانشکده که از خانواده های ثروتمند هستند و مخارج روزانه در خوابگاه برای هر دانشجو 100 دلار است. از آنجایی که مطالعه الگوها و استخراج روابط میان رکوردها مستلزم کاربرد منطق قیاسی و استقرایی است فرد باید مراقب اشتباهاتی که عموما رخ میدهد باشد. برای مثال بحثهای قیاسی یا استقرایی، تا زمانیکه وضعیت درست بودن فرضیه آزمایش نشود چیزی درباره درست یا غلط بودن نتایجشان نمی گویند. طبیعتا، نتایج تولید شده ماشینی ممکن است از چنین نقایصی رنج ببرند. بطورکلی بکارگیری تکنولوژی اطلاعات توسط هر سازمان در عمل یک فرایند هموار نیست. کتابخانه یا مؤسسه دانشگاهی از این قضیه استثنا نیست. اما تجربه نشان میدهد که یک برنامه نظام مند میتواند ظهور و نگهداری تکنولوژی اطلاعات در محیط کتابخانه را تسهیل کند. حتی کاربرد تکنولوژی های پیشرفته پردازش اطلاعات مثل سیستمهای خبره و سیستم اطلاعات جغرافیایی (جی.آی.اس) در کتابخانه گزارش شده  است. با این پیش زمینه، کاربرد داده کاوی بوسیله کتابخانه ها و موسسات دانشگاهی، به شرط آماده سازی مناسب، بطور قابل توجهی عملی است. برای دانشگاهها، کالجها، مدارس و موسسات آموزش از راه دور که بانکهای اطلاعاتی عظیمی دارند، ابزارهای داده کاوی میتواند الگوها و روابطی را که خیلی عیان نیستند آشکار کند. این نتایج ممکن است به طراحی دوباره فرایندها و رویه های مرتبط منجر شود. تحلیلهای پشتیبانی شده توسط داده کاوی در کل موسسات و محیط ها میتواند مسائل متنوع مدیریت آموزشی از جمله درک بهتر مشخصه های اقتصادی اجتماعی دانشجویان، مندرجات رشته ها و آموزش و پرورش و ساختار هزینه را  مخاطب قرار دهد. آنچه لازم است اینست که فراتر از عملکرد داده پردازی استاندارد قدم برداریم مخصوصا کتابخانه ها و موسسات دانشگاهی که با انواع مختلفی از بانکهای اطلاعاتی سروکار دارند و به سطوح معقولی از کامپیوتری کردن و دیجیتالی کردن داده ها دست یافته اند. در یک نظر، ابزارهای داده کاوی نمایانگر پیشرفت در زنجیره تکنولوژی اطلاعات هستند. داده کاوی همچنین میتواند بعنوان بخشی از فرایند بزرگتر کشف دانش در بانکهای اطلاعاتی در محیط های مختلف در نظر گرفته شود. البته نباید چنین پنداشت که ابزارهایی مثل داده کاوی نیاز به مداخله انسانی را کاهش خواهد داد . همچنانکه در بالا نشان داده شد، ارزیابی و تعدیل نتایج بدست آمده بوسیله چنین ابزارهای خودکاری به آزمایش نیاز دارد تا در برابر کاربردهای غلط محافظت شود. انتظار میرود داده کاوی در گسترش سازمان خودیادگیرنده مشارکت کند. کشف انتخابهای نوین با بهره گیری از داده کاوی اطمینان بخش بهترین کاربرد ممکن منابع موجود است. داده کاوی ماهیت چرخه مانند دارد. برای اینکه در پی کشف الگوها، سوالات بیشتری پدید خواهند آمد که دور بعدی فرایند را شکل میدهند. بهره برداری از تکنولوژیهای پیشرفته مثل داده کاوی مطمئنا برای متخصصان کتابداری و مدیران موسسات آموزشی یک چالش دائمی خواهد بود چرا که آنها خلاقیت طلبند و برای نوآوری تلاش می کنند. فصل چهارم : نمونه های ازتاثیر داده كاوي در ارتقا و بهبود سيستم آموزش عالي مقدمه پيدا كردن الگوها و دانش نهفته از داده هاي سيستمهاي آموزشي مي تواند به تصميم گيرندگان عرصه آموزش عالي در جهت ارتقا و بهبود فرآيندهاي آموزشي نظير برنامه ريزي، ثبت نام، ارزيابي و مشاوره كمك شاياني نمايد. داده كاوي مي تواند بر روي داده هايي كه از دو نوع سيستم آموزشي استخراج مي شود اعمال شود: كلاسهاي درس سنتي و آموزش الكترونيكي. با توجه به تفاوت در منابع داده و اهداف هر يك از اين دو نوع سيستم آموزشي، ضرورت دارد كه كاربردهاي مربوط به اعمال تكنيك هاي داده كاوي در هر يك از اين دو نوع سيستم به صورت جداگانه مورد بررسي قرار بگيرد .تنها كار جدي انجام شده در زمينه بررسي كاربردهاي مختلف تكنولوژي داده كاوي در آموزش عالي توسط ،Romero and Ventura (2006) انجام شده است.که با تمركز بر روي تكنيكهاي وب كاوي و متن كاوي در حوزه آموزش الكترونيكي انجام شده است. تمركز اصلي اين فصل بر روي كاربرد ساير تكنيك هاي داده كاوي درحوزه آموزش عالي و مرتبط با سيستم هاي آموزش غير الكترونيكي مي باشد . اين فصل ضمن تحليل فرايندهاي سيستم آموزش دانشگاهها، به بررسي كارهاي انجام شده و همچنين قابل انجام در زمينه كاربرد عمليات هاي مختلف داده كاوي از قبيل خوشه بندي، قوانين انجمني، دسته بندي و پيش بيني جهت پيش بيني ثبت نام در يك رشته يا درس خاص، بررسي تركيب واحدهاي انتخابي هر دانشجو براي زمانبندي مناسب واحدها، شناخت انواع دانشجويان، تحليل ماندگاري دانشجويان در ترم هاي آتي، پيش بيني وضعيت تحصيلي و ميزان موفقيت دانشجويان در نيمسال هاي بعدي پرداخته است. در حال حاضر در اكثردانشگاه هاي ايران، بانك هاي اطلاعاتي وسيعي از ويژگي ها، سوابق آموزشي و تحصيلي دانشجويان موجود است. شركت هاي بسياري در صنايع مختلف شامل خرده فروشي، مالي، ارتباطات، سرگرمي و تفريحات، مراقبت هاي پزشكي،توليد، حمل و نقل و هوا فضا در حال استفاده از ابزارها وتكنيكهاي داده كاوي مي باشند تا از اين طريق از منافع داده هايشان استفاده كنند، اما كاربردهاي داده كاوي در حوزه آموزش عالي به تازگي مورد توجه قرار گرفته است. در حال حاضر در اكثر دانشگاه ها بانك هاي اطلاعاتي وسيعي از ويژگي هاي دانشجويان موجود است كه حجم بالايي ازاطلاعات مربوط به سوابق آموزشي و تحصيلي را شامل مي شود. متاسفانه با وجود انبوه داده هاي موجود در سيستم آموزش دانشگاه ها، هيچگاه بررسي عميق و جامعي براي استخراج اطلاعات و دانش نهفته از اين داده ها انجام نمي شود. پيدا كردن الگوها و دانش نهفته در اين اطلاعات مي تواند به تصميم گيرندگان عرصه آموزش عالي در جهت ارتقا و بهبود فرآيندهاي آموزشي نظير برنامه ريزي، ثبت نام، ارزيابي و مشاوره كمك شاياني كند و بدين ترتيب آنها را در تصميم گيري بهتر و داشتن طرح پيشرفته تري در هدايت دانشجويان كمك مي كند. در نتيجه، اين بهبود مزاياي بسياري از قبيل حداكثر كردن كارايي سيستم آموزشي، كاهش نرخ از دست دادن و حذف دانشجويان، افزايش نرخ گذر دانشجويان، افزايش موفقيت دانشجو، افزايش خروجي يادگيري دانشجو و كاهش هزينه فرآيندهاي سيستم آموزش عالي به ارمغان مي آورد. نرم افزارهاي كامپيوتري بكارگرفته شده براي اين منظور، غالبا براي مكانيزه كردن وضع موجود و اجراي پرس و جوهاي معمولي جوابگو هستند. در حاليكه در عمق اين حجم عظيم داده ها، الگوها و روابط بسيار جالبي بصورت پنهان باقي مي ماند. استفاده از داده كاوي در سيستم هاي آموزشي الزامات ويژه اي دارد كه در ساير حوزه ها مطرح نيست، علي الخصوص نيازمند در نظر گرفتن جنبه هاي آموزشي ياد گيرنده )دانشجو (و سيستم مي باشد. مي توان مسير تحصيلي دانشجو، وضعيت تحصيلي دانشجو در نيمسال هاي بعدي )مشروطي، ممتازي،ترك تحصيلي، اخراجي) ميزان ثبت نام در يك رشته يا درس خاص، تركيب واحدهاي انتخابي هر دانشجو، مدت زمان تحصيل دانشجو و خروجي آموزشي را به منظور تسهيل اقدامات زمانبندي آموزشي پيش بيني كرد. اين فصل بطور خلاصه فرآيندهاي سيستم آموزش و ذينفعان استفاده از تكنولوژي داده كاوي در آموزش عالي را معرفي مي نمايد و انواع مدل سازي با كمك تكنيك هاي داده كاوي در سيستم هاي آموزش عالي جهت ارتقا و بهبود فرآيندهاي مختلفي كه دانشجو از زمان تقاضا براي تحصيل تا فارغ التحصيلي و انتخاب شغل با آن مواجه است را بيان مي دارد. در بخش ها بعدي كاربردهاي متنوعي از تكنيك هاي مختلف داده كاوي قابل اعمال بر روي سيستم هاي آموزشي مورد بررسي و تحليل قرار مي گيرند. فرآيندهاي سيستم آموزش : به طور كلي هدف اصلي هر مؤسسه آموزش عالي تسهيل امر يادگيري مي باشد. در مورد آموزش هاي حرفه اي به عنوان مثال مهندسي يا مديريت هدف مؤسسه تربيت يك متخصص خوب در آن حرفه يا رشته خاص مي باشد. براي دستيابي به اين هدف نيازمند ارتقا كيفيت متقاضي و فرآيندي كه وي طي مي كند، هستيم. فرآيند انتخاب يك متقاضي به عنوان دانشجو، آموزش و كمك به او براي كسب مهارتها و در نهايت ورود او به بازار كاري مناسب، سطح كيفيت يك مؤسسه را تعريف مي كند. مؤسسات به منظور حفظ اين كيفيت در يك سطح قابل قبول نيازمند آن هستند كه از روش هاي معتبر و قوي براي انتخاب دانشجو و مشاوره وي در هر مرحله از تحصيل استفاده شود. شكل شماره 1 مراحل و فرآيندهاي گذر يك دانشجو دریک موسسه پذيرش (C1)متقاضي (S1)دانشجو (S2)آموزش(C2) آموزش عالي را نشان مي دهد. خدمات پس ازفارغ التحصيلي(C4)فارغ التحصيل(S3)فارغ التحصيلي(C3) در مرحله اول فرد به عنوان يك متقاضي با مؤسسه ارتباط برقرار مي كند S1)). در طول يك فرآيند مشاوره و گزينش پيش مي رودC1)) و يك دانشجو مي شودS2)). درS2)) در طول فرآيند آموزش پيش مي رود و مورد آموزش، مشاوره و ارزيابي قرار مي گيردC2)) . در مرحله بعد دانشجو وارد فرآيند فارغ التحصيليC3)) مي شود و در طول اين فرآيند جهت كنترل گذراندن دوره مطابق با قوانين و مقررات و صدور مدارك فارغ التحصيلي پيش مي رود. دانشجو به عنوان يك متخصص از اين مرحله عبور مي كند و يك فارغ التحصيل مي شودS3)). فارغ التحصيل در مرحله بعد وارد فرآيند خدمات بعد از فارغ التحصيلي(C4) مي شود. اين فرآيند شامل فعاليتهايي نظير پاسخ به استعلام مدارك فارغ التحصيلان و ارائه گواهي هاي درخواستي آنها مي باشد. مشاوره و ارزيابي قرار مي گيرد(C2) در مرحله بعد دانشجو وارد فرآيند فارغ التحصيلي(C3) مي شود و در طول اين فرآيند جهت كنترل گذراندن دوره مطابق با قوانين و مقررات و صدور مدارك فارغ التحصيلي پيش مي رود. دانشجو به عنوان يك متخصص از اين مرحله عبور مي كند و يك فارغ التحصيل مي شود(S3) فارغ التحصيل در مرحله بعد وارد فرآيند خدمات بعد از فارغ التحصيلي(C4) مي شود. اين فرآيند شامل فعاليتهايي نظير پاسخ به استعلام مدارك فارغ التحصيلان و ارائه گواهي هاي درخواستي آنها ميباشد.كيفيت متخصصي كه در نهايت وارد بازار كار مناسب مي شود تا حد بسيار زيادي به كيفيت تك تك فرآيندهاي C1,C2,C3,C4وابسته است. از طرفي از آنجاييكه هر فرد در قابليت ها و توانايي هايش منحصر به فرد مي باشد براي هموارسازي و ارزشمند كردن فرآيند گذار دانشجو، نياز است كه تك تك اين فرآيندها با داده كاوي و تحليل داده هاي مرتبط مورد پشتيباني قرار بگيرند. به عنوان مثال پذيرش دانشجو بر پايه معيارهاي مختلفي مانند درصد نمره دانشجو در امتحان ورودي، مصاحبه شخصي، پيش زمينه هاي تحصيلي قبلي، تجربه كاري و فعاليتهاي فوق برنامه صورت مي گيرد. در واقع داده هاي آموزشي و اطلاعات دموگرافيك دانشجو تأثير زيادي بر روي كارايي فرآيند انتخاب و مشاوره تحصيلي دانشجو دارد. با كمك ابزارهاي تحليل داده و داده كاوي تا حد بسيار زيادي مي توان كيفيت هريك از اين فرآيندها را ارتقا بخشيد. شش فرآيند اصلي در هر سيستم آموزش عالي شامل ثبت نام، برنامه ريزي، ارزيابي، مشاوره، بازاريابي و آزمون مي باشد. هر فرآيند اصلي مي تواند به زير فرآيندهايي تقسيم شود. به عنوان مثال "ارزيابي" يك فرآيند آموزشي مي باشد و زير فرآيندهاي اصلي آن شامل "ارزشيابي دانشجو"، "ارزشيابي مدرس"، "ارزشيابي آموزش"، "آرزشيابي واحد درسي" و "ارزيابي ثبت نام دانشجو " مي باشند . مقصود اصلي در داده كاوي بهبود فرآيندهاي فعلي به فرآيندهاي جديد و ارتقا يافته اي است كه مزاياي برتري نسبت به فرآيندهاي قبلي دارند به عنوان مثال "ارزيابي ثبت نام دانشجو" يك زير فرآيند از فرآيند "ارزيابي" است. با استفاده از بعضي تكنيك هاي پيش بيني در داده كاوي مانند تحليل شبكه هاي عصبي، رگرسيون خطي و چند گانه بر روي مجموعه داده هاي سيستم، اين فرآيند سنتي سيستم آموزش مي تواند ارتقا يابد و الگوهاي موفقيت كساني كه براي دانشگاه پذيرفته شده اند استخراج شود. فرآيند ارتقا يافته نهايي امكان بازگشت هر دانشجوي ثبت نام شده در دانشگاه در نيمسال هاي آتي را پيش بيني مي كند. "طراح الزامات پذيرش ثبت نام" به عنوان يك موجوديت خارجي در دانشگاه مي تواند از نتايج فرآيند استفاده كند و پيش بيني دقيقي از تعداد دانشجويان ورودي جديد در هر سال ارائه دهد. داده كاوي مي تواند به هر يك از عاملان فرآيند آموزش كمك كند. دانش قابل كشف از طريق داده كاوي در حوزه آموزش نه تنها قابل استفاده صاحبان سيستم يعني مدرسين و مسئولين آموزشي بلكه قابل استفاده كاربران سيستم يعني دانشجويان نيز مي باشد. مؤسسات مي خواهند بدانند كه كداميك از دانشجويان در يك درس خاص ثبت نام خواهند كرد، كداميك از آنها به كمك ويژه و رسيدگي جهت فارغ التحصيل شدن نياز دارند، كداميك احتمال افتادن در يك درس و يا حذف پيش از فارغ التحصيلي را دارند، كدام زير مجموعه از فارغ التحصيلان احتمال بيشتري براي عرضه تعهدات مالي دارند، يك مدير ممكن است بخواهد به اطلاعاتي نظير اطلاعات پذيرش دانشجويان پي ببرد و ميزان ثبت نام دانشجويان در يك كلاس را به منظوربرنامه ريزي و زمانبندي پيش بيني كند. دانشجويان ممكن است بخواهند بر اساس پيش بيني نحوه عملكرد شان بر طبق واحدهاي انتخابي خاص به بهترين نحو واحدها را انتخاب كنند. آموزش ياران ممكن است بخواهند بدانند كه چه تجربيات يادگيري كمك بيشتري در خروجي نهايي يادگيري دارند، چرا يك كلاس عملكرد بهتري نسبت به ديگري دارد، گروهايدانشجويي شبيه به هم كدامند و... . دانش قابل كشف از طريق داده كاوي با ارائه توصيه هايي مي تواند به دانشجويان كمك كند تا فرآيند يادگيري را ارتقا دهند و موفق عمل كنند. از طرفي بازخورد هاي عيني به مدرسين ارائه مي دهد كه از طريق آن مي توانند كارايي فرآيند يادگيري را ارتقا دهند و به مسئولين آموزشي كمك مي كند تا منابع سازماني اعم از مادي و انساني را به نحو بهتري تخصيص دهند. ايجاد انواع)گونه هاي( معنا داري از دانشجويان : مؤسسات آموزشي چه اطلاعاتي از دانشجويان خود دارند؟ اگر جواب درصد ثبت نام دانشجويان يا آمارهايي از اين قبيل مي باشد، نشان دهنده اين است كه مؤسسات دانشجويان خود را آنقدر كه بايد بشناسند، نمي شناسند. از طريق تكنيك هاي داده كاوي غير نظارتي مي توان انواع معنا داري از دانشجويان را براي فهم بهتر رفتار آنها ايجاد كرد. ممكن است دانشگاه ها براساس اعلامات اوليه دانشجويان از اهداف تحصيلي شان در هنگام ثبت نام، شناسايي كلي از دانشجويان خود داشته باشند. مثلاً آنهايي كه به دنبال مهارتها و آموزشهاي حرفه اي هستند، آنهايي كه به دنبال مهارت هاي پايه اي هستند يا آنهايي كه فقط به دنبال فارغ التحصيل شدن مي باشند. هر چند اينها تقسيم بندي هاي جامعي هستند، ولي كمكي به نشان دادن تفاوت ها ميان انواع دانشجويان نمي كنند. براي حل اين مشكل مي توان از دو الگوريتم قوي خوشه بندي K-means و TwoStep استفاده كرد. البته حذف نقاط پرت (نقاطي كه به نظر نمي آيد) به گروه خاصي متعلق باشند. در ايجاد خروجي مفيد نقش اساسي دارد از طريق اين خوشه بندي ها مي توان مدت تحصيل دانشجويان را تعيين كرد. اينكه كداميك احتمال بيشتري براي ترك تحصيل دارند و يا كداميك پس از ترك تحصيل بازمي گردند. بدين ترتيب داده كاوي با كمك اطلاعات دموگرافيك و ساير اطلاعات تحصيلي دانشجويان كمك بسياري به ارتقا فهم دانشگاه از انواع دانشجويان خود مي كند. اين اطلاعات به مؤسسات آموزش عالي كمك مي كند تا تصميمات بهتري درباره نحوه برخورد با انواع دانشجويان اتخاذ كنند. از طرفي يكي از مراحل اساسي تكنيك دسته بندي در داده كاوي تعيين دسته هاي ركورد ها قبل از مدل سازي مي باشد و خوشه بندي مي تواند از اين طريق در دسته بندي دانشجويان نيز كمك كننده باشد و دقت مدل هاي پيش بيني كننده را بالا ببرد. به عنوان مثال در دسته بندي دانشجويان يك كالج به دسته هاي "آنهايي كه به سرعت واحدهاي خود را به اتمام ميرسانند "، "آنهايي كه مدت تحصيلشان زمان قابل توجهي مي باشد" و يا "ميانه روها" مي رسيم. چند مورد از كاربردهاي خوشه بندي به تفصيل در بخش هاي بعدي آورده شده است. خوشه بندي و پيش بيني دانشجويان ماندگار و غير ماندگار امروزه ماندگاري دانشجويان در دانشگاه ها به عنوان يكي از شاخص هاي تعيين كننده عملكرد و مديريت ثبت نام آن دانشگاه يا مؤسسه آموزش عالي شناخته مي شود. هر قدر تعداد دانشجويان ماندگار بيشتر باشد آن مؤسسه برنامه هاي تحصيلي بهتر و درآمد بالاتري خواهد داشت. از اينرو يكي از وظايف مهم در مديريت مؤسسات آموزش عالي تعيين دانشجوياني است كه احتمال كمتري براي بازگشت دوباره در ترم آينده دارند. تشخيص اين دانشجويان كمك شاياني به تعيين استراتژي هاي بازاريابي و افزايش نرخ ماندگاري دانشجويان مي نمايد. ليستي از متغيرهاي انتخابي براي انجام عمليات داده كاوي به اين قرار است: اطلاعات دموگرافيك مانند: سن، جنس، نژاد، دبيرستان، كد پستي (جهت تعيين فاصله)، ساعات كاري برنامه ريزي شده، اقامت، موقعيت تحصيلي در ثبت نام اوليه، تعداد كل واحدهاي گذرانده، تعداد واحدهاي اخذ شده و معدل نمرات دروس اخذ شده و تعداد نيمسال هاي ثبت نام كرده. پيش بيني احتمال بازگشت يك دانشجو به دانشگاه در ترم آينده يك نقطه شروع به حساب مي آيد. بر حسب تجربه، شبكه هاي عصبي و دو الگوريتم استنتاج قانون به نام C&RT , C5.0 براي اين منظور بسيار مناسب مي باشند. شبكه هاي عصبي مصنوعي تا حد زيادي با داده كاوي مترادف و هم معني مي باشد و بنابراين نقطه شروع مناسبي براي ساخت مدل اوليه مي باشند. مدل استفاده شده شامل دو لايه پنهان مي باشد. در مرحله بعد نيز دو الگوريتم پيشنهادي بعدي جهت پيش بيني )دسته بندي و درخت رگرسيون( مورد بررسي قرار مي گيرند C&RT شكست هاي دودويي در درخت را به خوبي كنترل مي كند، در حاليكه شكست هاي چند تايي با C5.0 از معيارهايي كه در تئوري اطلاعات مطرح است استفاده مي كند، در حاليكه الگوريتم C&RT از شاخص Giniاستفاده مي كند. متدلوژي انجام خوشه بندي و پيش بيني دانشجويان ماندگار و غير ماندگار به اين صورت مي باشد كه در اولين مرحله متغير خروجي تعيين مي شود. در اينجا متغير خروجي ثبت نام يا عدم ثبت نام دوباره در ترم آينده مي باشد كه به ترتيب با "p" , "np" در پايگاه داده مشخص مي شوند. مي توان از الگوريتم غير نظارتي TwoStep براي خوشه بندي استفاده كرد، زيرا نسبت به ساير الگوريتمهاي خوشه بندي مانند K-means و Kohonen Nets كاربر پسندتر مي باشد و نسبت به انواع داده هاي ورودي حساسيتي ندارد. نتايج خوشه بندي نه تنها كمك به فهم بهتر خصوصيات مجموعه داده ها مي كند، بلكه كمك مي كند تا متغيرهاي با اهميت كمتر را حذف كنيم يا وزن كمتر بدهيم، بويژه در مواقعي كه از لحاظ زمان حافظه در مضيقه هستيم. از طرفي مي توان از الگوريتم PCA و يا Factor Analysis براي حذف متغيرهاي اضافي استفاده كرد. در مرحله بعد داده ها به دو مجموعه آموزش و تست تقسيم مي شوند.و در مرحله بعد به سراغ استفاده از شبكه عصبي جهت آموزش و تست مدل مي رويم. از آنجائيكه هدف اصلي اين پروژه پيش بيني درست دانشجوياني است كه درنيمسال بعدي ثبت نام نخواهند داشت، مي توان دقت پيش بيني دانشجويان غيرماندگار را به قيمت كاهش دقت پيش بيني دانشجويان ماندگار، افزايش داد .يعني تصميم گيرندگان ترجيح مي دهند كه بعضي از دانشجويان ماندگار را غير ماندگارتشخيص دهند تا در اهداف بازاريابي موفق تر باشند. براي تحقق اين منظور مي توان از نظرات فرد خبره و حرس كردن سود جست. به اين ترتيب دقت پيش بيني تا حد زيادي افزايش مي يابد. پس از بررسي نتايج، شبكه عصبي بهترين مدل را براي هدف مورد نظر ارائه داد، اما از آنجائيكه به صورت جعبه سياه عمل مي كند و فراتر از ليست اهمیت نسبي متغيرهاي ورودي اطلاعات بيشتري فراهم نمي كند و در واقع مدل نهايي هيچگونه شفافيتي ندارد، ضرورت دارد كه از يك مدل استنتاج قانون براي ارائه قوانين پنهان و فهم بهتر عملكرد مدل استفاده كرد. داده كاوي بر روي داده هاي ثبت نام دانشگاه جهت تحليل ماندگاري دانشجويان سال اول : با كمك داده كاوي مي توان بررسي كرد كداميك از دانشجويان سال اول احتمال بيشتري براي ترك تحصيل بعد از سال اول تحصيل شان دارند. اگر امكان تشخيص اين قبيل دانشجويان فراهم باشد، مؤسسات قادر خواهند بود استراتژي هايو بازاريابي و ساير برنامه هايشان را به نحو مناسبي تنظيم كنند و از اين طريق نرخ ماندگاري دانشجو را در آينده ارتقا بدهند. Ming Yungبراي تحقق اين منظور از دو مجموعة داده هاي ثبت نام دانشجويان و داده هاي ثبت نام كلاسي دانشگاه تگزاس از پاييز 2000 تا پاييز 2004 كه با فيلد مشترك شماره دانشجويي با هم تركيب شده اند، استفاده كرده است. ليست كليه متغيرهاي مورد استفاده جهت انجام عمليات داده كاوي به اين قرار است : شماره دانشجويي، جنسيت، نژاد، سن،تاريخ تولد، مذهب، سطح تحصيلي دانشجو(سال اول، سال دوم،... كارشناسي ارشد، دكترا(، دانشكده و فاصله مكان زندگيدانشجو تا دانشگاه. براي انجام خوشه بندي از الگوريتم سريع و كاراياستفاده شده است. تعداد خوشه های مختلف از 2 تا 6 اجرا شده است و در نهايت تعداد 3 خوشه به بهترين شكل واقعيت را منعكس كرده است .نتايج بررسي60.75 دانشجويان خوشة 2 و % 26.76 دانشجويان خوشة 3 در پاييز 2004 % ، نشان مي دهد كه % 12.55 دانشجويان خوشة1ثبت نام مجدد نكردند .بنابراين خوشه 1 داراي بيشترين نرخ ماندگاري دانشجو يعني % 87.45 مي باشد .بررسي ها نشان مي دهد كه دانشجويان اين خوشه داراي بالاترين ميانگين نمره امتحان ورودي دانشگاه و واحدهاي گذرانده مي باشند. خوشه 2نيز داراي كمترين نرخ ماندگاري دانشجو يعني % 39.22 مي باشد .بررسي ها نشان مي دهد كه دانشجويان اين خوشه داراي پايين ترين ميانگين نمره امتحان ورودي دانشگاه و واحدهاي گذرانده مي باشند .خوشه 3 نيز داراي نرخ ماندگاري بالايي برابر با % 73.24 مي باشد. بررسي ها نشان مي دهد كه ميانگين نمره امتحان ورودي دانشگاه و واحدهاي گذرانده دانشجويان اين خوشه از خوشه 2 بيشتر و از خوشه 1 كمتر است.به طور كلي مي توان بيان كرد كه دانشجويان داراي نمره امتحان ورودي دانشگاه بالاتر و واحدهاي گذرانده بيشتر احتمال بيشتري براي ثبت نام در ترم آينده دارند و دانشجويان داراي نمره امتحان ورودي دانشگاه پايين تر و واحدهاي گذرانده كمتر احتمال بيشتري براي ترك تحصيل دارند. به اين ترتيب تحليل خوشه اي كمك كرد تا دانشجويان خاص مثلاً دانشجويان خوشه 2 شناسايي بشوند و مشاوره و آموزش تقويتي براي آنها فراهم شود .به اين ترتيب دانشگاه مي تواند قبل از اينكه دانشجويان براي ترك تحصيل تصميم بگيرند وارد عمل شود .ملاك ارزيابي خوشه ها در اينجا ميزان حمايت آنها از اهداف سازماني بود رابطه ميان نتايج امتحان ورودي دانشگاه و ميزان موفقيت دانشجويان مي توان دانشجويان دانشگاه را بر اساس خصوصيات مختلفي به خوشه هايي تقسيم كرد تا رابطه ميان آن خصوصيات با ميزان موفقيت آنها در دانشگاه مورد بررسي واقع شود. به عنوان مثال دريك تحقيق توسط Erdogan and Timor، از خوشه بندي جهت بررسي رابطه ميان نتايج امتحان ورودي دانشگاه و ميزان موفقيت دانشجويان استفاده شده است.داده هاي اين تحقيق مربوط به دانشگاه Maltepeدر شهر استانبول تركيه تا سال 2003 مي باشد.اين داده ها مربوط به 722 دانشجوي اين دانشگاه از دانشكده هاي مختلف مي باشد. متغيرهاي مورد استفاده در اين تحقيق براي انجام عمليات خوشه بندي شامل: درصد رتبه دانشجويان در امتحان ورودي دانشگاه، نمره اي كه دانشجويان در دانشگاه دريافت مي كنند)معدل دروس گذرانده(، جنسيت، كد دانشكده و كد نوع دبيرستان مي باشند .براي انجام خوشه بندي از الگوريتم K-means استفاده شده است. از آنجاييكه در اين الگوريتم تعداد خوشه ها بايد توسط كاربر مشخص بشود و يك پارامتر خارجي مي باشد، خوشه بندي هاي مختلفي انجام شده و سرانجام خوشه بندي موفقيت آميزي با تعداد 5 خوشه بدست آمده است. ترسيم خوشه ها بر اساس درصد رتبه دانشجويان در امتحان ورودي دانشگاه و نمرات به عنوان متغيري وابسته به درصد رتبه دانشجويان در امتحان ورودي دانشگاه نشان مي دهد كه خوشه شماره 1 با توجه به نمرات، موفق ترين خوشه و خوشه شماره 5 ناموفق ترين خوشه مي باشد. توزيع دانشكده ها در اين خوشه ها نشان مي دهد كه اكثريت دانشجويان خوشه شماره 1 از دانشكده علوم و هنر مي باشند. علت اين است كه بيشتر دانشجويان اين دانشكده داراي نمرات بالا و بورس تحصيلي مي باشند. آنها سخت مطالعه مي كنند تا بورس تحصيلي خود را حفظ كنند و از اينرو نمرات بالايي كسب مي كنند.در حاليكه خوشه شماره 5 شامل دانشجويان دانشكده هاي ارتباطات و علوم بازرگاني مي باشد .اين دانشجويان نمرات كمتر و نتايج امتحان ورودي كمتري دارند. پيش بيني ثبت نام : پيش بيني ثبت نام از اهميتي اساسي در مأموريت يك دانشگاه برخوردار است .روش هاي مختلفي براي پيش بيني ثبت نام پيشنهاد شده اند: روش هاي برازش منحني مانند ميانگين ساده يا متحرك، هموار سازي نمايي، مدل هاي نمايي يا چند جمله اي، تحليل طيفي، مدل هاي مانند روش هاي نسبت، زنجيره ماركف، روش هاي رگرسيون و همبستگي چند متغيره و دستگاه معادلات .اخيراً نيز از روش هاي يادگيري ماشين مانند روش بيز ساده و شبكه هاي عصبي براي پيش بيني ثبت نام استفاده شده است.روش هاي مختلف مدل هاي پيش بيني مختلفي را بر اساس انواع مختلف داده ها و سطوح مختلف پيش بيني )ملّي، منطقه اي، استاني، دانشگاهي و مؤسسه اي( مي سازند و نرخ هاي خطا و درجات موفقيت متفاوتي را ارائه مي دهند .پيش بيني ثبت نام به فاكتورهاي مختلفي وابسته است: روندهاي جغرافيايي، اقتصادي، اجتماعي، تغييرات در تكنولوژي و بازار كار، سياست هاي پذيرش دانشگاه ها، هزينه ها و دسترسي به كمك هاي مالي و بورس هاي تحصيلي، سرويس ها و تسهيلات، استخدام، تبليغات و بسياري از فاكتورهاي ديگر. در ميان مطالعات گسترده متغيرهايي مانند: تغييرات جمعيت، درآمد خانواده، سطح تحصيلات والدين، شهريه، سطح كمك رساني به دانش آموزان و استعداد تحصيلي دانش آموز از لحاظ آماري در پيش بيني ثبت نام مهم شناخته شده اند نكته اساسي در توسعه يك مدل پيش بيني تعيين فاكتورهاي مهم در پيش بيني و رابطه آنها با ثبت نام مي باشد. فاكتورها و روابط مختلف منجر به مدل ها يا روش هاي متفاوتي مي شوند در دو بخش بعدي دو مورد از مطالعات انجام شده در زمينه پيش بيني ثبت نام مطرح شده اند. پيش بيني ثبت نام با استفاده از شبكه هاي عصبي مصنوعي: شبكه هاي عصبي مصنوعي كاربرد هاي گسترده اي در علوم مهندسي داشته اند، وليكن در تحقيقات مؤسسه اي اينگونه نبوده است.شبكه هاي عصبي مصنوعي مي توانند به عنوان نگاشتي ميان فاكتورهاي مؤثر در ثبت نام و ثبت نام عمل كنند. نگام استفاده از شبكه هاي عصبي در پيش بيني ثبت نام سه مسأله اصلي را بايد در نظر گرفت: انتخاب ورودي ها، تعداد نورون هاي ورودي و مسأله مقياس گذاري داده ها. براي ورودي شبكه از فاكتورهاي مختلفي كه در تعداد ثبت نام تأثير گذارند مي توان استفاده كرد. در يك مطالعه توسط ،Song and Chissom. براي ورودي شبكه تنها از داده هاي ثبت نام فعلي و گذشته 9) سال گذشته( به عنوان فاكتور تأثير گذار در پيش بيني ثبت نام سال آينده استفاده شده است .از طرفي از آنجاييكه خروجي شبكه هاي عصبي 3 لايه رو به عقب مقداري بين 0 و 1 مي باشد و ثبت نام مقداري بين 0 و 1 عدد بزرگ مي باشد، در ابتدا داده هاي ثبت نام با تقسيم بر 100000 به مقداري بين 0 و 1 تبديل شده اند .در نهايت نيز خروجي شبكه در 1000000 ضرب مي شود .با توجه به اينكه شبكه هاي عصبي نمي توانند روند ثبت نام را به خوبي تشخيص بدهند استفاده از داده هاي اصلي در شبكه هاي عصبي براي پيش بيني ثبت نام ممكن است چندان مناسب نباشد. مي توان با توسعه معادله پيش بيني به جاي پيش بيني مقدار ثبت نام در زمان ،t تفاوت ميان ثبت نام در زمان t , t-1 را پيش بيني نمود و از اين طريق نتايج پيش بيني را تا حد زيادي بهبود بخشيد. در مقايسه با ساير روش ها استفاده از شبكه هاي عصبي در پيش بيني ثبت نام حداقل داراي اين مزيت مي باشد كه نيازمند هيچگونه فاكتوري نمي باشد كه بايد توسط فردي از قبل تعيين شود واين فرآيند پيش بيني را كاملا عيني و واقعي مي نمايد انتخاب دانشجويان مناسب براي شركت در كلاس هاي جبراني: جهت انتخاب دانشجويان مناسب براي شركت در كلاس هاي جبراني، در حالت سنّتي يك نمره معين براي هر درس تعيين مي شود و دانشجوياني كه نمره اي كمتر از آن نمرة معين در آن درس دريافت كنند، براي شركت در كلاس هاي جبراني انتخاب مي شوند. اما مطالعات نشان مي دهد كه اين روش موجب انتخاب دانشجويان بسياري براي شركت در كلاس هاي جبراني مي شود. اين امر نه تنها بار تدريس اساتيد را زياد مي كند، بلكه بار اضافي را هم به بسياري از دانشجويان تحميلي كند كه چندان مطلوب نيست. از طرفي اگر تعدادي از دانشجويان كه نيازمند شركت در كلاس هاي جبراني مي باشند بدون دليل از برنامه كلاس هاي جبراني حذف بشوند، در مراحل بعدي دچار افت تحصيلي خواهند شد. استفاده از داده كاوي كمك مي كند تا دانشجويان با دقت بيشتري براي اين منظور انتخاب شوند. Ma et alبراي اين منظور از يك تابع امتيازدهي جديد بنامSBA9 كه بر پايه قوانين انجمني مي باشد استفاده كرده اند. داده كاوي با اين روش نتايج بسيار نويد بخشي را نسبت به روش سنتي دارد و به طور قابل ملاحظه اي به روش سنتي ارجحيت دارد. داده هاي در اختيار شامل اطلاعات دموگرافيك دانشجويان و داده هاي مربوط به عملكرد آنها قبل از ورود به دانشگاه مي باشند. متدلوژي انتخاب دانشجويان مناسب براي شركت در كلاس هاي جبراني به اين صورت مي باشد كه در مرحله اول دانشجويان ضعيف بالقوه مشخص مي شوند و در مرحله بعد دروس پيشنهادي براي هر دانشجو تعيين مي شود. مرحله اول يك فرآيند داده كاوي مي باشد و در واقع يك مسأله دسته بندي مي باشد. تجربه ها و آزمايشات نشان مي دهند كه استفاده ازتنها يك الگوريتم دسته بندي براي پيش بيني دانشجوياني كه ضعيف عمل خواهند كرد دقت نتايج نهايي را بسيار كاهش ميدهد و حداكثر دو سوم دانشجويان ضعيف را تشخيص مي دهد، در حاليكه استفاده از يك روش امتياز دهي بسيار مناسب ترمي باشد. در واقع به جاي آنكه به هر دانشجو يك كلاس مشخص نسبت داده شود (ضعيف يا غير ضعيف) يك تابع امتياز دهي يك مقدار احتمالي را به او تخصيص مي دهد كه نشان مي دهد او با چه احتمالي ضعيف عمل خواهد كرد. مرحله دوم با كمك خبره هاي آن حوزه انجام مي شود، زيرا آنها نمي خواهند كه روش پيشنهادي خيلي از آنچه در عمل انجام مي شود، دور باشد. اخيراً روش هاي امتيازدهي بسياري بر پايه مدل هاي درخت تصميم مانندC4.5و مدل هاي بيزين مانند بيز ساده توسعه داده شده اند، اما نتايج نشان مي دهد كه در اين كاربردSBAبسيار بهتر از روش هاي قبلي عمل مي كند. براي اطلاعات بيشتر در مورد اين روش هيوريستيك كارا و مؤثر براي امتياز دهي به منبع مراجعه شود. براي استفاده از قوانين انجمني جهت امتيازدهي بايد توجه داشت كه تنها قوانيني براي اين منظور سودمند هستند كه به صورتX →Ci مي باشند. يعني سمت راست قوانين يك كلاس منفرد از متغير كلاس باشد و سمت چپ آنها زير مجموعه اي از ساير متغير ها باشد. پس از استخراج قوانين از مجموعه آموزش، ميتوان از آنها براي امتياز دهي به داده هاي تست يا داده هاي جديد استفاده كرد. در تابع امتياز دهي SBA يكي از دو حالت زير ايجاد مي شود : اگر تعداد قوانين با درجه اطمينان بالا و از كلاس مثبت (كلاس دانشجويان ضعيف) كه از داده جديد ما حمايت مي كنندزياد بود، به داده جديد امتياز بالايي تخصيص مي يابد. يعني آن دانشجو با احتمال بالايي ضعيف عمل خواهد كرد و يك هدف براي كلاس هاي جبراني خواهد بود. اگر كلاس هاي مثبتي كه از داده جديد حمايت مي كنند حداقل درجه اطمينان را نداشته باشند و لي كلاس هاي منفي داراي درجه اطمينان بالايي باشند، به داده جديد امتياز كمي اختصاص مي يابد. برنامه ريزي تحصيلي- پيش بيني گذراندن دروس : اين كاربرد داده كاوي در آموزش عالي كمك به حل يك مشكل اساسي در مؤسسات آموزشي مي كند: چگونه خروجي آموزشي را به منظور تسهيل اقدامات زمانبندي آموزشي به طور دقيقي پيش بيني نماييم. وقتي كه مؤسسات از داده كاويبراي تشخيص دانشجويان تحت ريسك استفاده مي كنند، مي توانند از شكست و حذف آنها جلوگيري كنند، قبل از اينكه حتي دانشجويان خودشان از اينكه تحت ريسك هستند مطلع باشند. ساخت يك مدل داده كاوي در اين مورد نيازمند دانش كافي در حوزه گذراندن دروس و شناخت انواع دانشجويان دارد. كاراترين روش براي افزايش نرخ گذراندن دروس در دانشجويان تشخيص دانشجوياني است كه مي خواهند واحد هايشان را به سرعت بگذرانند و فارغ التحصيل شوند. آماده سازي و كمك بهدانشجوياني كه احتمال بيشتري براي گذراندن دروس دارند بسيار معنادار تر از اين است كه دانشجوياني كه واحدهاي بسياريبراي گذراندن روي هم انباشته كرده اند مورد توجه قرار بگيرند. مجموعه داده هاي مورد بررسي متشكل از دو خوشه اصلي دانشجويان سريع و كند در گذراندن دروس مي باشد. دادهكاوي نظارتي روش مناسب در اينجا مي باشد. متغير خروجي "گذراندن دروس" مي باشد. متغيرهاي پيش بيني شامل متغيرهاي دموگرافيك، دروس اخذ شده، واحدهاي باقي مانده، كمكهاي مالي و ... مي باشند. تحليل گر مي تواند از شبكه هايعصبي و الگوريتم هاي استنتاج قانون مانند c5.0و C&RT به طور همزمان استفاده كند و دقت نتايج پيش بيني را با هم مقايسه كند. در مطالعه اي كه توسط Jing Luan بعمل آمده است، پس از انجام مراحل داده كاوي، دقّت پيشبيني شبكه هاي عصبي 72 % و دقت پيش بيني الگوريتم %80 c5.0,C&RT شده است. پيش بيني تعهد و منفعت رساني فارغ التحصيلان : بيشتر دانشگاه ها نامه هايي را بر طبق يك برنامه منظم به فارغ التحصيلان خود ارسال مي كنند، حتي اگر فارغتحصيلان به آن نامه ها پاسخي ندهند. اين نامه ها معمولاً بيش از100000$ در سال هزينه در بر داردJing Luan نشان داده است كه دسته بندي فارغ التحصيلان به دانشگاه ها كمك مي كند تا بر روي فارغ التحصيلاني كه احتمال يشتري براي تعهد و مشاركت دارند تمركز نمايند. در نمودار شكل شماره 4، سود حاصل از استفاده از داده كاوي جهت تعيين فارغ التحصيلان مناسب براي ارسال نامه در برابر ارسال نامه به همه فارغ التحصيلان نشان داده شده است. خط منحني نرخ بازگشت بهينه (مشاركت هاي فارغ التحصيلان) مي باشد كه با داده كاوي پيش بيني شده است. خط راست با زاويه 45 درجه نتيجه پيش بيني شده در حالتي است كه همه فارغ التحصيلان نامه ها را دريافت كنند. وقتي به 30 % از فارغ التحصيلاني كه با داده كاوي براي دريافت نامه مناسب شناخته شده اند، نامه ارسال كنيم 80 % آنها متعهد خواهند بود و به درخواست ما پاسخ مي دهند، اما اگر اين 30 % را بدون داده كاوي انتخاب كنيم و به آنها نامه ارسال نماييم، تنها 40 % پاسخ خواهند داد. اگر هريك درصد 2500 $ هزينه داشته باشد آنگاه: پس انداز = (70% *2500$) - (30% *2500$) = 175000$ - 75000$ = 100000$ بنابراين بدون داده كاوي بايد00,000 $1 بيشتر هزينه كنيم تا به 80 % برسيم، زيرا مي بايستي به 70 % از فارغ التحصيلان نامه ارسال نماييم! نمودار سود براي داده كاوي ميزان تعهد فارغ التحصيلان به اين ترتيب از طريق داده كاوي ارسال نامه ها كارآتر مي گردد و تعهد فارغ التحصيلان نيز افزايش مي يابد، در حاليكه هزينههاي ارسال نيز كاهش مي يابد. خلاصه و نتيجه گيري : بر طبق آنچه در این پروژه گفته شد، داده کاوی روشی برای استخراج اتوماتیک اطلاعاتی است که تا کنون مشخص نبوده اند، این دانش یکی از ده دانش در حال توسعه ای است که دهه آینده را با انقلاب تکنولوژیک مواجه خواهد ساخت و بدین رو دراین سالهای اخیر در دنیا گسترش فوق العاده سریعی داشته است. دانش داده کاوی فرآیند کشف دانش پنهان درون داده ها است که با برخورداری از دامنه وسیع زیرزمینه های تخصصی با توصیف، تشریح، پیش بینی و کنترل پدیده های گوناگون پیرامونی، امروزه دارای کاربرد بسیار وسیع در حوزه های مختلف است. بگونه ای که امروزه مرز و محدودیتی برای کاربرد این دانش در نظر گرفته نمی شود. دانش داده کاوی سازمانها را قادر می سازد تا از سرمایه داده هایشان بهره برداری نمایند. این ابزار برای پشتیبان فرایند تصمیم گیری استفاده می گردد. داده کاوی با پردازش جامع داده و انجام فرایند تصمیم سازی از طریق استخراج دانش با ارزش از داده، تصمیم گیری را برای مدیران سازمان تسهیل می نماید . باتوجه به اینکه شركت‌ها، سازمان‌ها، دانشگاه‌ها و مؤسسات آموزش عالي امروزي نیز غرق در انبوه داده‌ها و اطلاعاتي هستند كه استفاده از این داده های حجیم در بيشتر موارد با مشکلاتی همراه است، و هنوز هم از داده‌ها در تصميم‌گيري استراتژيك بدرستی نمی توان استفاده کرد، لذا امیدواریم داده کاوی که روز به روز توسعه ی بیشتری هم می یابد بتواند برای استخراج اطلاعات موجود در مؤسسات و مراكز آموزش عالي در زمينه‌هاي تصميم‌گيري استراتژيك مفید واقع شود. امید است که در آینده ای نه چندان دور تاثیرات بیشتر داده کاوی را در بهبود و پیشرفت نظام آموزش عالی مشاهده گر باشیم.سيستم هاي آموزش عالي از طريق داده كاوي قادرندكه اثر بخشي سيستم هاي آموزشي را حداكثر كنند، پذيرش ومديريت ثبت نام را بهبود دهند، نرخ حذف دانشجويان را حداقل كنند، نرخ گذر دانشجويان را ارتقاء دهند، موفقيت دانشجويانرا افزايش دهند و هزينه فرآيندهاي سيستم را كاهش دهند. يك موسسه آموزشي از طريق داده كاوي قادر خواهد بود كهمزيت رقابتي خود را افزايش دهد و به استاندارد هايي بالاتري در سطح آكادميك برسد . با توجه به اينكه داده كاوي در حوزه آموزش، حوزه تحقيقاتي كاملاً جديدي مي باشد، نيازمند آن هستيم كه در اين حوزهتحقيقات جهت دار، تخصصي و گسترده تري صورت بگيرد و شكاف دانشي در اين حوزه تا حدي از ميان برداشته شود تا به سطح موفقيتي مشابه ساير حوزه ها نظير داده كاوي پزشكي و داده كاوي داده هاي تجارت الكترونيك برسيم. دقت روش هايپيش بيني در ساير حوزه ها به تناسب نوع كاربرد ارتقا زيادي يافته است، وليكن در اين حوزه خاص ارتقا زيادي در مدل ها صورت نگرفته و نيازمند تحقيقات گسترده اي در اين حوزه مي باشيم تا از اين طريق داشتن فرآيندهاي آموزشي مؤثرتر، كاراتر و دقيق تر را در سيستم هاي آموزش عالي تسهيل كنيم. شايد مهمترين نكته اين باشد كه هيچ مدل يا الگوريتمي نمي تواند ونبايد به تنهايي استفاده شود. نمي توان هيچ مدل يا الگوريتمي را در اين زمينه بهترين ناميد. براي هر مساله داده شده، طبيعت داده استفاده شده بر روي انتخاب مدل ها و الگوريتمهايي كه برگزيده مي شوند تاثير خواهد گذاشت. با توجه به تقش مهم افزايش سرعت كامپيوترها در پيشرفت علم داده كاوي مي توان گفت كه زمينه هايي كه در داده كاوي داده هاي سيستم آموزش وجود دارند، بسيار گسترده مي باشند. مخصوصا كه در كشور ما كار زيادي در اين زمينه صورت نگرفته است. حال اگر بخواهيم به بعضي از اين زمينه ها بعنوان تحقيقات آتي اشاره كنيم، مي توانيم موارد زير را نامببريم: دقت روش هاي پيش بيني با شبكه هاي عصبي با اندكي تغييرات در ساختار شبكه قابل ارتقاء مي باشد. پيش بيني ثبت نام براي فرآيند برنامه ريزي دانشگاه ها امري ضروري مي باشد، اما اين امر نيازمند مطالعه و دقت بيشتري در انتخاب متغيرهاي پيش بيني كننده مي باشد و اين امر چندان ساده نمي باشد. مي توان تركيبي از مدل هاي پيشنهادي براي پيش بيني ثبت نام را براي پيش بيني ثبت نام با دقت بيشتري بكار برد. در استفاده از قوانين تلازمي جهت بررسي تركيب واحدهاي انتخابي دانشجويان، مي توان از شاخص هاي بيشتري براي تعيين اعتبار و درستي قوانين استخراجي استفاده نمود و بدين ترتيب دقت مدل نهايي را بالا برد. مي توان يك سيستم كاربردي ويژه را كه قابل استفاده هر مؤسسه آموزشي باشد ارائه داد به طوريكه قادر به انتخابدانشجويان مناسب براي مقاصد مختلف باشد. به عنوان مثال دانشجويان خوب، ضعيف و يا دانشجوياني با نيازمندي هاي ويژه. اثر فاكتورهاي بيشمار ديگري از قبيل پيش زمينه دانشجو، كمك هزينه هاي تحصيلي، سهميه ورود به دانشگاه را ميتوان بر ادامه روند ثبت نام و ماندگاري دانشجويان در ترم هاي آتي بررسي كرد. منابع فاضلی، نعمت الله . جهانی شدن و آموزش عالی نگاهی به روندهای جهانی در تحولات آموزش عالی و وضعيت آموزش عالی ايران . ديويد، هند. “ داده كاوي چيست؟ “ . مترجم : حميد معظمي گودرزي. گزيده مطالب آماري. شماره 52. ص. 87-94. گاندي، اسميتي. “ مديريت دانش و خدمات مرجع در كتابخانه ها”. ترجمه مريم صراف زاده و افسانه حاضري بغداد آباد. مجله الكترونيكي پژوهشگاه اطلاعات و مدارك علمي ايران ( شماره 4، دوره 4 : مرداده 84 ). مهريزي، حائري، علي اصغر ، «داده‌كاوي: مفاهيم، روش‌ها و كاربردها» (1382) پايان‌نامه كارشناسي ارشد آمار اقتصادي و اجتماعي، دانشكده اقتصاد، دانشگاه علامه طباطبائي. گودرزي، حميدرضا، مترجم «داده‌كاوي چيست»، نشريه گزيده مطالب آماري، مركز آمار ايران، شماره 52. زعفريان، رضا و زعفريان،قاسم، «مروري بر داده‌كاوي» (1380) فصلنامه صنايع، شماره 29 بدرالملوک بامداد، زن ایرانی از انقلاب مشروطه تا انقلاب سفید. تهران: ابن‌سینا، ۱۳۴۷. ص ۹۹ مذاکرات دوره ششم قانونگذاری. تهران. مجلس شورای ملی. ۱۳۰۵ آموزش و پرورش در ایران. ناصر تکمیل همایون. دفتر پژوهش های فرهنگی. شابک ۹۶۴-۳۷۹-۰۹۲-۴ ۱۳۸۵ ص۸۷-۸۸ پروفسور ابرلن و نقش او در آموزش پزشکی نوین ایران. شمس شریعت تربقان. انتشارات دانشگاه علوم پزشکی تهران