Building an Effective Recommendation Model For Students' Academic Pathways Using Machine Learning بناء نموذج توصية فعال للمسارات الأكاديمية للطلاب باستخدام التعلم الآلي

Selecting the most suitable academic pathway is critical for students in higher education, as it can significantly impact their future career opportunities and success.  This paper proposed a recommendation system for students in the Civil Department at Al-Azhar University's Faculty of Engineering. The system was created using the grades of students who graduated from the department in the period from 2018 to 2022. Different machine learning algorithms such as Decision Tree (DT), Random Forest (RF), K-Nearest Neighbor (KNN), Naive Bayes (NB), and Support Vector Machine (SVM), are applied to create models for each major in the Civil Department. The models are evaluated using 5-fold cross-validation method, with the F1-measure serving as the performance criterion. The results indicate that the KNN model achieves the best performance for the Structural Engineering and Public Works majors, with an F1-measure of 84% and 87% accuracy, respectively. On the other hand, the NB model achieves the best performance for Irrigation and Hydraulics, with an F1-measure of 69%.The proposed recommendation system can potentially assist students in making informed decisions about their academic careers, by recommending the most appropriate major based on their academic performance.
 
يعد اختيار المسار الأكاديمي الأنسب أمرًا بالغ الأهمية للطلاب في التعليم العالي ، حيث يمكن أن يؤثر بشكل كبير على فرصهم الوظيفية المستقبلية ونجاحهم. اقترحت هذه الورقة نظام توصية لطلاب القسم المدني بكلية الهندسة بجامعة الأزهر. تم إنشاء النظام باستخدام درجات الطلاب الذين تخرجوا من القسم في الفترة من 2018 إلى 2022. خوارزميات مختلفة للتعلم الآلي مثل Decision Tree (DT) و Random Forest (RF) و K-Nearest Neighbor (KNN) و Naive Bayes يتم تطبيق (NB) و Support Vector Machine (SVM) لإنشاء نماذج لكل تخصص في الإدارة المدنية. يتم تقييم النماذج باستخدام طريقة 5-fold cross-validation ، حيث يعمل F1-measure كمعيار للأداء. تشير النتائج إلى أن نموذج KNN يحقق أفضل أداء لتخصصي الهندسة الإنشائية والأشغال العامة ، حيث بلغت دقة F1-measure 84٪ و 87٪ على التوالي. من ناحية أخرى ، يحقق نموذج NB أفضل أداء للري والمكونات الهيدروليكية ، مع F1-measure - بنسبة 69٪. يمكن أن يساعد نظام التوصية المقترح الطلاب في اتخاذ قرارات مستنيرة حول حياتهم الأكاديمية ، من خلال التوصية بالتخصص الأكثر ملاءمة بناءً على أدائهم الأكاديمي.