مدل یادگیری ماشین سازوکار پنهان رتبه‌بندی مهندسی مکانیک یواس نیوز را رمزگشایی کرد
رتبه‌بندی دوره‌های تحصیلات تکمیلی مهندسی مکانیک که مؤسسه یواس نیوز اند ورلد ریپورت (U.S. News & World Report) منتشر می‌کند، سال‌هاست برای دانشگاه‌ها مانند جعبه‌ای سیاه عمل می‌کند. گروه‌های آموزشی هر بهار از جایگاه خود در این رتبه‌بندی مطلع می‌شوند، اما نمی‌دانند چه ترکیبی از ویژگی‌های دانشگاهی و سازمانی به تعیین این جایگاه منجر شده است. اکنون پژوهشی تازه که در مجله Neural Computing and Applications منتشر شده، نشان می‌دهد می‌توان این فرایند ناشناخته را مدل‌سازی کرد. گروهی از پژوهشگران با استفاده از ۹ شاخص قابل‌اندازه‌گیری دانشگاهی و سازمانی، مدلی مبتنی بر یادگیری ماشین ساخته‌اند که بازه رتبه هر دوره آموزشی را پیش‌بینی می‌کند. این مدل در آزمون داده‌های رتبه‌بندی سال ۲۰۲۴ به دقت ۹۱ درصد دست یافته است.
این پژوهش به سرپرستی فائزه خادمی، نیکیت راچاکوندا، ماتیاس سالازار ایسمودس و هوشنگ دارابی انجام شده و به گفته نویسندگان، نخستین مطالعه‌ای است که رتبه دوره‌های تحصیلات تکمیلی مهندسی مکانیک را در نظام رتبه‌بندی یواس نیوز پیش‌بینی می‌کند. پژوهشگران ابتدا اطلاعات رتبه‌بندی سال‌های ۲۰۲۳، ۲۰۲۴ و ۲۰۲۵ را از یواس نیوز اند ورلد ریپورت گردآوری کردند و سپس ۵۹ ویژگی بالقوه مؤثر را از وب‌سایت گروه‌های آموزشی، مجموعه‌داده‌های انجمن آموزش مهندسی آمریکا و دیگر منابع دانشگاهی استخراج کردند. از آنجا که این رتبه‌بندی تا حد زیادی بر نظرسنجی درباره اعتبار و شهرت دانشگاه‌ها استوار است و جزئیات وزن‌دهی داخلی آن شفاف نیست، پژوهشگران مسئله را به‌صورت مهندسی معکوس تعریف کردند: آیا می‌توان تنها با استفاده از ویژگی‌های قابل‌کنترل دوره‌های آموزشی، مدلی آموزش داد که نتایج این فرایند ارزیابی مبهم را بازتولید کند؟
پاسخ به این پرسش مستلزم تغییراتی در هدف اولیه پژوهش بود. پژوهشگران در ابتدا قصد داشتند رتبه دقیق هر دانشگاه را پیش‌بینی کنند، اما اندازه و ساختار مجموعه‌داده‌ها چنین کاری را امکان‌پذیر نمی‌کرد. بنابراین، به سراغ روش طبقه‌بندی رفتند و دانشگاه‌ها را در چهار بازه رتبه‌بندی قرار دادند: رتبه‌های ۱ تا ۲۰، ۲۱ تا ۵۰، ۵۱ تا ۱۰۰ و ۱۰۱ تا ۱۵۰. مجموعه‌داده نهایی مدل شامل ۱۴۸ دانشگاه بود که از میان آن‌ها ۲۲ دوره در گروه نخست، ۳۲ دوره در گروه دوم، ۴۵ دوره در گروه سوم و ۴۹ دوره در گروه چهارم قرار داشتند. تعداد دانشگاه‌های برخی گروه‌ها از ظرفیت عددی بازه مربوطه بیشتر بود، زیرا چند دانشگاه رتبه یکسانی داشتند. برای مثال، در رتبه‌بندی سال ۲۰۲۴ شش دانشگاه به‌طور مشترک در جایگاه هفدهم قرار گرفتند و به همین دلیل، بیش از ۲۰ مؤسسه در گروه ۲۰ رتبه برتر جای گرفتند. دوره‌هایی که رتبه آن‌ها پایین‌تر از ۱۵۰ بود، از مطالعه کنار گذاشته شدند.
آماده‌سازی داده‌ها نیز فرایند ساده‌ای نبود. پژوهشگران داده‌هایی را که به‌صورت رشته‌های متنی ثبت شده بودند، با استفاده از تابعی اختصاصی به مقادیر عددی تبدیل کردند. برای تکمیل داده‌های مفقود نیز از روش جایگزینی با میانگین استفاده شد تا به‌جای حذف رکوردهای ناقص، دانشگاه‌های بیشتری در مجموعه‌داده مدل باقی بمانند. از آنجا که تعداد دانشگاه‌ها در چهار گروه رتبه‌بندی یکسان نبود، پژوهشگران از روش بیش‌نمونه‌گیری تصادفی استفاده کردند؛ البته این روش فقط برای برآورد فاصله اطمینان شاخص سطح زیر منحنی (AUC) به کار رفت و در آموزش خود مدل طبقه‌بندی استفاده نشد. همچنین، چون مقیاس عددی ویژگی‌ها تفاوت زیادی داشت، مقادیر با روش نرمال‌سازی امتیاز Z استاندارد شدند. برای جلوگیری از نشت اطلاعات به مجموعه آزمون، پارامترهای استانداردسازی منحصراً بر اساس داده‌های آموزشی محاسبه شدند.
از میان ۵۹ متغیر گردآوری‌شده، در نهایت ۹ شاخص پیش‌بینی‌کننده انتخاب شدند. این انتخاب با فرایندی تکرارشونده برای ارزیابی زیرمجموعه‌های مختلف ویژگی‌ها انجام شد که فقط از داده‌های آموزشی استفاده می‌کرد. شاخص‌های نهایی عبارت بودند از تعداد اعضای هیئت علمی تمام‌وقت، اعضای دارای استخدام رسمی، کل اعضای هیئت علمی و استادان بازنشسته دارای عنوان افتخاری در سال گذشته؛ تعداد دانشجویان تمام‌وقت سال قبل؛ مجموع منابع مالی دانشگاه در دو و سه سال پیش؛ میانگین نمره بخش کمی آزمون GRE در سال گذشته؛ و رتبه دانشگاه در فهرست یواس نیوز در سال قبل. استفاده از داده‌های مالی مربوط به دو و سه سال پیش، بر مبنای ملاحظات زمانی دقیقی صورت گرفت. رتبه‌بندی‌ها اندکی پس از آغاز هر سال منتشر می‌شوند و در آن زمان هنوز فرصت کافی وجود نداشته است که نتایج تأمین مالی سال قبل بر میزان شناخته‌شدن یا اعتبار ملی دانشگاه تأثیر بگذارد. پژوهشگران همچنین آگاهانه رتبه سال گذشته را در مدل حفظ کردند. به توضیح آنان، ارزیابی یواس نیوز بر اعتبار دانشگاه‌ها متکی است و به وضعیت آن‌ها در طول زمان وابستگی دارد؛ حذف رتبه قبلی نیز عملکرد مدل‌ها را به‌شدت تضعیف می‌کرد. بااین‌حال، نویسندگان تأکید دارند که این متغیر نشان‌دهنده تداوم جایگاه دانشگاه است و نباید آن را شاهدی بر رابطه علت و معلولی میان رتبه یک سال و سال بعد دانست.
در این پژوهش، عملکرد سه الگوریتم درخت تصمیم (Decision Tree)، تقویت گرادیانی (Gradient Boosting) و جنگل تصادفی (Random Forest) مقایسه شد. هر سه الگوریتم با کتابخانه scikit-learn پیاده‌سازی شدند و داده‌ها با حفظ نسبت گروه‌های رتبه‌بندی، به دو بخش ۷۰ درصدی برای آموزش و ۳۰ درصدی برای آزمون تقسیم شدند. همچنین، برای تکرارپذیری نتایج از یک مقدار ثابت برای بذر تصادفی استفاده شد. الگوریتم جنگل تصادفی که با ۲۰۰ درخت، حداکثر عمق ۱۰ و بررسی نیمی از ویژگی‌ها در هر انشعاب تنظیم شده بود، در ارزیابی اعتبارسنجی متقابل پنج‌بخشی نیز بررسی شد و به‌طور مداوم عملکرد بهتری از دو الگوریتم دیگر داشت. این مدل در مجموعه آزمون سال ۲۰۲۴ به دقت ۰٫۹۱، صحت پیش‌بینی مثبت یا Precision برابر با ۰٫۹۱، یادآوری یا Recall برابر با ۰٫۹۰ و امتیاز F1 معادل ۰٫۹۱ دست یافت. همه این معیارها به‌صورت میانگین کلان در چهار گروه محاسبه شدند؛ به این معنا که هر بازه رتبه‌بندی، صرف‌نظر از تعداد دانشگاه‌های آن، سهم یکسانی در ارزیابی داشت. شاخص AUC چندکلاسه نیز با روش مقایسه یک‌به‌یک کلاس‌ها و اجرای فرایند بوت‌استرپ شامل هزار بار نمونه‌گیری مجدد برای محاسبه فاصله اطمینان ۹۵ درصدی به دست آمد. مقدار این شاخص بالا و فاصله اطمینان آن محدود بود که نشان می‌داد مدل توانایی زیادی در تمایز میان گروه‌های مختلف رتبه‌بندی دارد.
بررسی ماتریس‌های درهم‌ریختگی نشان داد که مدل خطاهای بسیار اندکی دارد. در مجموعه آزمون، تنها یک دوره آموزشی از گروه ۲۰ رتبه برتر به‌اشتباه طبقه‌بندی شد و همه دوره‌های گروه ۱۰۱ تا ۱۵۰ به‌درستی شناسایی شدند. تشخیص گروه رتبه‌های ۲۱ تا ۵۰ اندکی دشوارتر بود و دو دوره در گروه‌های نادرست قرار گرفتند؛ یکی در میان ۲۰ رتبه برتر و دیگری در گروه ۵۱ تا ۱۰۰. تحلیل اهمیت ویژگی‌ها نشان داد که رتبه سال گذشته با سهمی حدود ۵۲ درصد، تأثیرگذارترین متغیر در پیش‌بینی مدل است. بااین‌حال، نزدیک به نیمی از وزن پیش‌بینی مدل به ویژگی‌هایی اختصاص داشت که امکان تغییر آن‌ها وجود دارد؛ از جمله تعداد دانشجویان، شمار اعضای هیئت علمی، بودجه پژوهشی و نمرات GRE. پژوهشگران سپس همان مدل را بدون تغییر روی مجموعه‌داده سال ۲۰۲۵ اجرا کردند. مدل در این آزمون نیز در تمام معیارها عملکرد مطلوب خود را حفظ کرد؛ نتیجه‌ای که نویسندگان آن را نشانه‌ای از ثبات عملکرد و سازگاری مدل در سال‌های تحصیلی متوالی می‌دانند.
شاید بحث‌برانگیزترین دستاورد پژوهش، تحلیل حساسیتی باشد که از طریق یک وب‌سایت همراه در اختیار کاربران قرار گرفته است. کاربران می‌توانند مقادیر فرضی شاخص‌های ورودی را وارد کنند و ببینند مدل در آن شرایط چه بازه رتبه‌ای را پیش‌بینی می‌کند. در یکی از مطالعات موردی، مدل پیش‌بینی کرد که دانشکده مهندسی پرت دانشگاه دوک می‌تواند در سناریویی مشخص از گروه رتبه‌های ۲۱ تا ۵۰ به جمع ۲۰ رتبه برتر راه یابد. این سناریو شامل افزایش ۱٫۷۸ برابری تعداد اعضای هیئت علمی از ۵۰ به ۸۹ نفر، افزایش حدود ۱٫۸ برابری مجموع منابع مالی دانشگاه در دو سال متوالی، رشد ۱٫۴۵ برابری تعداد دانشجویان تمام‌وقت از ۲۰۱۸ به ۲۹۲۶ نفر و بهبودهای جزئی در نمره بخش کمی GRE و شمار استادان بود. نویسندگان در بخش مفصلی از مقاله تأکید می‌کنند که مدل ماهیتی پیش‌بینی‌کننده دارد، نه علّی. به بیان دیگر، این تحلیل ترکیب‌هایی از ویژگی‌های دوره‌های آموزشی را شناسایی می‌کند که با بازه‌های رتبه‌بندی پیش‌بینی‌شده متفاوت ارتباط دارند، اما به معنای ارائه اقداماتی با نتیجه تضمین‌شده نیست. برای مثال، افزایش تنها یک متغیر مانند تعداد اعضای هیئت علمی لزوماً رتبه واقعی دانشگاه را در فهرست یواس نیوز تغییر نمی‌دهد. به گفته پژوهشگران، با توجه به نقش محوری اعتبار و شهرت در این نظام رتبه‌بندی، اثبات اثرات علّی به طراحی پژوهشی اساساً متفاوت نیاز دارد.
تحلیل حساسیت محدودیت مهم دیگری نیز دارد که پژوهشگران با آزمایش جامع تمام ۱۵۰ جایگاه رتبه‌بندی شناسایی کردند. رفتار مدل تنها برای دوره‌هایی که در میان ۹ رتبه نخست هر بازه قرار داشتند، سازگار و قابل‌اتکا بود. برای نمونه، ممکن است مدل نتواند برای دوره‌ای با رتبه ۶۰ تا ۱۰۰، راهبرد قابل‌اعتمادی برای ورود به گروه رتبه‌های ۲۱ تا ۵۰ ارائه کند. راهکار پیشنهادی پژوهشگران، حرکت مرحله‌به‌مرحله است: دانشگاه ابتدا باید شاخص‌های پایه خود را بهبود دهد تا رتبه واقعی آن به جمع ۹ جایگاه نخست بازه فعلی برسد؛ سپس می‌تواند از مدل برای برنامه‌ریزی جهت ورود به گروهی بهتر استفاده کند. با وجود این محدودیت، آزمایش‌های گروه پژوهشی نشان داد که تغییر مثبت متغیرهای ورودی همواره به پیش‌بینی رتبه‌ای برابر یا بهتر منجر شده است.
نویسندگان محدودیت‌های مطالعه را نیز به‌روشنی بیان کرده‌اند. پژوهش تنها ۱۴۸ دوره آموزشی در آمریکا را پوشش می‌دهد که طی سه سال متوالی در بازه رتبه‌های ۱ تا ۱۵۰ قرار داشته‌اند. مدل به‌جای جایگاه دقیق، بازه رتبه را پیش‌بینی می‌کند و شاخص‌های مورد استفاده نیز با فرایندی زمان‌بر و همراه با بررسی و تأیید دستی گردآوری شده‌اند. پژوهشگران قصد دارند از سال ۲۰۲۶، تحلیل خود را هر سال با داده‌های تازه یواس نیوز به‌روزرسانی کنند، مجموعه‌داده زیربنایی وب‌سایت را گسترش دهند و همین رویکرد را برای دوره‌های تحصیلات تکمیلی مهندسی صنایع نیز به کار بگیرند. در شرایط کنونی، دستاورد این پژوهش برای گروه‌های مهندسی مکانیک، شبیه‌سازی مبتنی بر داده از فرایندی است که یواس نیوز جزئیات آن را برای بررسی عمومی آشکار نکرده است. درعین‌حال، نتایج یک هشدار آماری مهم نیز در خود دارند: اعتبار و شهرت دانشگاه که در رتبه سال گذشته آن بازتاب یافته، همچنان حدود نیمی از وزن تعیین جایگاه پیش‌بینی‌شده هر دوره آموزشی را در مدل تشکیل می‌دهد.
موضوع پژوهش: پیش‌بینی رتبه‌بندی دوره‌های تحصیلات تکمیلی مهندسی مکانیک در یواس نیوز با استفاده از یادگیری ماشین
عنوان مقاله علمی: مدلی مبتنی بر یادگیری ماشین برای پیش‌بینی رتبه‌بندی دوره‌های تحصیلات تکمیلی مهندسی مکانیک در ایالات متحده از سوی یواس نیوز اند ورلد ریپورت
منبع علمی: Khademi, F., Rachakonda, N., Ismodes, M. S., & Darabi, H. (2026). A machine learning model for the prediction of the US news & world report ranking of the mechanical engineering graduate programs in the United States. Neural Computing and Applications, 38(20), Article 832. https://doi.org/10.1007/s00521-026-12636-5
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه دیجیتال مقاله (DOI): 10.1007/s00521-026-12636-5
کلیدواژه‌ها: یادگیری ماشین، جنگل تصادفی، رتبه‌بندی دانشگاه‌ها، مهندسی مکانیک، یواس نیوز اند ورلد ریپورت، دوره‌های تحصیلات تکمیلی، طبقه‌بندی، تحلیل حساسیت، آموزش عالی، مدل‌سازی پیش‌بینی‌کننده، ماشین، یادگیری