مدل سازی افت تحصیلی دانش آموزان با الگوریتم هوش مصنوعی درخت تصمیم (Decision Tree)

پدیده افت تحصیلی یکی از چالش های بنیادین و پرهزینه در نظام های آموزشی به شمار می آید که ابعاد مختلفی از جمله فردی، خانوادگی، اجتماعی و نهادی را تحت تاثیر قرار می دهد. در سال های اخیر، با گسترش فناوری های مبتنی بر داده و هوش مصنوعی، فرصت های نوینی برای شناخت الگوهای پنهان در داده های آموزشی فراهم شده است. در این راستا، پژوهش حاضر به بررسی و مدل سازی افت تحصیلی دانش آموزان با بهره گیری از الگوریتم درخت تصمیم به عنوان یکی از تکنیک های قابل تفسیر و قدرتمند در حوزه داده کاوی پرداخته است. این الگوریتم با ایجاد ساختاری سلسله مراتبی از تصمیمات، امکان شناسایی عوامل کلیدی موثر بر عملکرد تحصیلی دانش آموزان را فراهم می آورد. در این تحقیق، پس از شناسایی و استخراج متغیرهای زمینه ای، تحصیلی، روان شناختی و رفتاری مرتبط با افت تحصیلی، داده های شبیه سازی شده ای طراحی و مورد تحلیل قرار گرفتند. نتایج تحلیل مدل نشان می دهد که مولفه هایی همچون وضعیت اقتصادی خانواده، سطح مشارکت والدین در فرآیند یادگیری، انگیزه تحصیلی، تعداد غیبت های غیرموجه، و اضطراب امتحان در زمره مهم ترین پیش بین های افت تحصیلی محسوب می شوند. این یافته ها با بسیاری از مطالعات پیشین در حوزه روان شناسی تربیتی و علوم داده هم راستا هستند. کاربرد اصلی مدل طراحی شده در این پژوهش، ارائه ابزاری تشخیصی برای مشاوران مدارس، مدیران آموزشی و معلمان است تا بتوانند پیش از وقوع افت شدید، دانش آموزان در معرض خطر را شناسایی کرده و مداخلات مناسب را اتخاذ کنند. همچنین، این پژوهش بر ضرورت ترکیب رویکردهای فناوری محور با رویکردهای انسانی در تحلیل مسائل آموزشی تاکید می کند. نوآوری پژوهش حاضر، در به کارگیری الگوریتمی تفسیرپذیر به منظور تسهیل در تصمیم گیری های آموزشی و ارائه مدلی بومی شده برای بررسی افت تحصیلی در بستر آموزش عمومی است.

کلیدواژه ها:

: افت تحصیلی ، هوش مصنوعی ، درخت تصمیم ، داده کاوی آموزشی ، تحلیل پیش بین