تحلیل تاثیر استفاده از شبکه های عصبی مصنوعی در پیش بینی موفقیت تحصیلی دانش آموزان

استفاده از شبکه های عصبی مصنوعی (ANN) در تحقیقات آموزشی، به ویژه در پیش بینی موفقیت تحصیلی دانش آموزان، به طور فزاینده ای رایج شده است. این مقاله به بررسی جامع و تحلیل توصیفی مطالعاتی که در زمینه کاربرد شبکه های عصبی مصنوعی در پیش بینی نتایج آموزشی انجام شده اند، می پردازد. مرور مقالات شامل تکامل تاریخی شبکه های عصبی مصنوعی، کاربردهای آن ها در آموزش، و به طور خاص استفاده از آن ها در پیش بینی موفقیت تحصیلی است. تحلیل مطالعات مختلف نشان می دهد که شبکه های عصبی مصنوعی به دلیل توانایی در پردازش داده های پیچیده و چندبعدی، نسبت به روش های سنتی پیش بینی عملکرد بهتری دارند. نتایج نشان می دهد که شبکه های عصبی مصنوعی می توانند با تحلیل طیف گسترده ای از متغیرها، از جمله مشارکت در فعالیت های کلاسی، سوابق تحصیلی گذشته و عوامل دموگرافیک، عملکرد تحصیلی دانش آموزان را با دقت بالایی پیش بینی کنند. علیرغم پتانسیل بالای شبکه های عصبی، اجرای آن ها با چالش هایی مانند نیاز به داده های بزرگ و با کیفیت و پیچیدگی های مربوط به تفسیر نتایج مواجه است. این مطالعه به روندهای کنونی، الگوهای مشترک و محدودیت های استفاده از شبکه های عصبی مصنوعی برای اهداف آموزشی پرداخته و با ارائه پیشنهاداتی برای تحقیقات آینده، بر ضرورت بررسی بیشتر مدل های یادگیری عمیق و بهبود قابلیت تفسیر نتایج شبکه های عصبی تاکید می کند. یافته های این مطالعه می تواند به طور عملی در محیط های آموزشی برای بهبود پیش بینی عملکرد دانش آموزان، حمایت از تصمیم گیری در سیاست گذاری آموزشی و در نهایت ارتقاء کیفیت آموزش مورد استفاده قرار گیرد. استفاده از شبکه های عصبی مصنوعی (ANN) در تحقیقات آموزشی، به ویژه در پیش بینی موفقیت تحصیلی دانش آموزان، به طور فزاینده ای رایج شده است. این مقاله به بررسی جامع و تحلیل توصیفی مطالعاتی که در زمینه کاربرد شبکه های عصبی مصنوعی در پیش بینی نتایج آموزشی انجام شده اند، می پردازد. مرور مقالات شامل تکامل تاریخی شبکه های عصبی مصنوعی، کاربردهای آن ها در آموزش، و به طور خاص استفاده از آن ها در پیش بینی موفقیت تحصیلی است. تحلیل مطالعات مختلف نشان می دهد که شبکه های عصبی مصنوعی به دلیل توانایی در پردازش داده های پیچیده و چندبعدی، نسبت به روش های سنتی پیش بینی عملکرد بهتری دارند. نتایج نشان می دهد که شبکه های عصبی مصنوعی می توانند با تحلیل طیف گسترده ای از متغیرها، از جمله مشارکت در فعالیت های کلاسی، سوابق تحصیلی گذشته و عوامل دموگرافیک، عملکرد تحصیلی دانش آموزان را با دقت بالایی پیش بینی کنند. علیرغم پتانسیل بالای شبکه های عصبی، اجرای آن ها با چالش هایی مانند نیاز به داده های بزرگ و با کیفیت و پیچیدگی های مربوط به تفسیر نتایج مواجه است. این مطالعه به روندهای کنونی، الگوهای مشترک و محدودیت های استفاده از شبکه های عصبی مصنوعی برای اهداف آموزشی پرداخته و با ارائه پیشنهاداتی برای تحقیقات آینده، بر ضرورت بررسی بیشتر مدل های یادگیری عمیق و بهبود قابلیت تفسیر نتایج شبکه های عصبی تاکید می کند. یافته های این مطالعه می تواند به طور عملی در محیط های آموزشی برای بهبود پیش بینی عملکرد دانش آموزان، حمایت از تصمیم گیری در سیاست گذاری آموزشی و در نهایت ارتقاء کیفیت آموزش مورد استفاده قرار گیرد.

کلیدواژه ها:

شبکه های عصبی مصنوعی ، پیش بینی موفقیت تحصیلی ، داده کاوی آموزشی ، یادگیری عمیق ، تحلیل پیش بینی