هدف پژوهش حاضر مقایسه ی تأثیر تدریس با رویکرد نقشه ی مفهومی با روش تدریس مرسوم و رایج بر پیشرفت تحصیلی، ماندگاری مطالب و کاهش کج فهمی درس علوم دانش آموزان پایه ی پنجم ناحیه 1 زاهدان می باشد. روش انجام این پژوهش نیمه تجربی است. برای اجرای پژوهش چهار کلاس انتخاب شد، دو کلاس به عنوان گروه گواه(یک کلاس پسر و یک کلاس دختر) و دو کلاس به عنوان گروه آزمایش(یک کلاس پسر و یک کلاس دختر) و یک پیش آزمون جهت یکسان کردن گروه های آزمایش و گواه به عمل آمد. تدریس در طول20جلسه در دو کلاس گروه آزمایش، با رویکرد نقشه ی مفهومی و در دو کلاس گروه گواه، با روش مرسوم و رایج اجرا شد. در نهایت نمرات آزمون پیشرفت تحصیلی، آزمون های ماندگاری مطالب و آزمون سنجش کج فهمی هر دو گروه با هم مقایسه و داده ها با آزمون تحلیل واریانس عاملی و تحلیل واریانس مخلوط درون- بین گروهی تحلیل شد. نتایج پژوهش نشان داد که تدریس با رویکرد نقشه ی مفهومی بر افزایش پیشرفت تحصیلی و ماندگاری مطالب و هم چنین کاهش کج فهمی دانش آموزان موثرتر از روش مرسوم و رایج است. به علاوه نتایج حاکی از آن است که بین گروه دختر و پسر از نظر پیشرفت تحصیلی تفاوت معناداری وجود دارد و تأثیر رویکرد نقشه ی مفهومی بر پیشرفت تحصیلی دختران بیش تر از پسران بود، ولی در میزان ماندگاری مطالب و کاهش کج فهمی، بین گروه دختر و پسر تفاوت معناداری وجود ندارد.

برخلاف کلاسه بندی سنتی داده های تک برچسبی که در آن هر نمونه ورودی تنها با یک برچسب کلاس مشارکت داشت، در کلاسه بندی داده های چند برچسبی هر نمونه ورودی با مجموعه ای از برچسب ها مشارکت دارد. به دلیل وجود چندین برچسب کلاس، فرآیند یادگیری تحت تأثیر قرار می گیرد و کلاسه بندهای پایه ی مورد استفاده در داده های تک برچسبی، قابل استفاده نمی باشند. برای رفع این مشکل روش های تغییر مسئله معرفی شده اند. این دسته از روش ها مجموعه ی داده ها را به گونه ای تغییر می دهند تا بتوان کلاسه بندهای معمول را مورد استفاده قرار داد. با وجود آسانی استفاده از این دسته از روش ها، دو چالش کارایی و ارتباط بین برچسب ها از مباحث بحث برانگیز در تحقیقات اخیر می باشند. با توجه به کارایی بسیار خوب و قابلیت انعطاف بالای الگوریتم های یادگیری جمعی در زمینه های مختلف یادگیری ماشین، به کارگیری این گونه الگوریتم ها روش مناسب و موثری برای بهبود یادگیری از مجموعه داده های چندبرچسبی به نظر می رسد. در این مطالعه، الگوریتم جدیدی به نام lbr معرفی شده است که در دسته ی روش های یادگیری جمعی قرار دارد و در مقایسه با روش rakel که از مفهوم الگوریتم های یادگیری جمعی استفاده می کند، به نتایج بهتری رسیده است. روش lbr از کلاسه بندی محلی نمونه ها استفاده می کند. همچنین، اخیرا مسئله ارتباط بین برچسب ها در روش دیگری با نام cc مورد بررسی قرار گرفته است. این روش از کارایی پیش بینی بالایی برخوردار است. مشکل اصلی این روش عدم در نظر گرفتن ترتیب مشخصی از برچسب ها در زنجیره ی خود است. در گام بعدی در این رساله، دو روش fbcc و wbcc به منظور ارائه ی ترتیبی از برچسب ها با بیشترین میزان وابستگی به مجموعه ی ویژگی ها، معرفی شده اند. ارزیابی های تجربی روی طیف وسیعی از مجموعه های داده ای چند برچسبی حاکی از بهبود کارایی کلاسه بندی در روش های پیشنهادی نسبت به روش های پیشین می باشد.