استفاده از الگوریتم های هوش مصنوعی Naive Bayes و KNN برای تحلیل روند پیشرفت تحصیلی دانش آموزان

پیشرفت تحصیلی دانش آموزان به عنوان یکی از مهم ترین شاخص های ارزیابی عملکرد سیستم آموزشی، همواره مورد توجه متخصصان و سیاست گذاران بوده است. شناسایی عوامل موثر بر این پیشرفت و پیش بینی روند آتی آن، می تواند به اتخاذ تصمیمات مناسب برای بهبود کیفیت آموزش و ارائه حمایت های هدفمند به دانش آموزان کمک شایانی کند. در سال های اخیر، با رشد چشمگیر حجم داده های آموزشی و پیشرفت در حوزه هوش مصنوعی، امکان تحلیل دقیق تر و عمیق تر این داده ها فراهم شده است. این مقاله به بررسی کاربرد دو الگوریتم یادگیری ماشین محبوب، یعنی Naive Bayes و K-Nearest Neighbors (KNN)، در تحلیل و پیش بینی روند پیشرفت تحصیلی دانش آموزان می پردازد. هدف اصلی این پژوهش، ارزیابی قابلیت این الگوریتم ها در طبقه بندی وضعیت تحصیلی دانش آموزان (به عنوان مثال، موفق، متوسط، نیازمند حمایت) بر اساس مجموعه ای از ویژگی های مرتبط با عملکرد تحصیلی و عوامل دموگرافیک است. داده های مورد استفاده در این مطالعه شامل نمرات درسی، حضور در کلاس، فعالیت های فوق برنامه و اطلاعات جمعیتی دانش آموزان خواهد بود. از طریق تحلیل تطبیقی عملکرد این دو الگوریتم، نقاط قوت و ضعف هر یک در زمینه مورد نظر مورد بحث قرار می گیرد. نتایج حاصل از این پژوهش می تواند بینش های ارزشمندی را برای مربیان، مشاوران تحصیلی و سیاست گذاران آموزشی فراهم آورد تا با شناسایی زودهنگام دانش آموزان در معرض خطر افت تحصیلی، راهکارهای مداخله ای موثری را اتخاذ نمایند. اهمیت این مطالعه در ارائه یک چارچوب عملی برای بهره برداری از توانمندی های هوش مصنوعی در محیط های آموزشی جهت بهبود روند یادگیری و ارتقای کیفیت آموزش است. همچنین، این مقاله به بررسی چالش ها و فرصت های آتی در این زمینه نیز خواهد پرداخت.

کلیدواژه ها:

Naive Bayes ، KNN ، پیشرفت تحصیلی ، هوش مصنوعی ، تحلیل داده های آموزشی