مدل سازی روند پیشرفت درسی دانش آموزان با استفاده از الگوریتم شبکه های عصبی مصنوعی (ANN)

پیشرفت تحصیلی دانش آموزان یکی از مهم ترین شاخص های موفقیت نظام های آموزشی به شمار می آید. تحلیل و پیش بینی روند پیشرفت درسی با هدف شناسایی عوامل موثر و ارائه راهکارهای بهینه، همواره مورد توجه پژوهشگران حوزه آموزش بوده است. در سال های اخیر، با رشد فناوری های نوین داده کاوی و یادگیری ماشین، امکان تحلیل داده های پیچیده و پیش بینی رفتارهای آموزشی فراهم شده است. شبکه های عصبی مصنوعی (Artificial Neural Networks – ANN) به عنوان یکی از قدرتمندترین الگوریتم های یادگیری ماشین، قابلیت بالایی در شناسایی الگوهای پنهان و ارتباطات غیرخطی میان متغیرهای آموزشی دارند. این پژوهش با هدف مدل سازی روند پیشرفت درسی دانش آموزان بر پایه الگوریتم ANN انجام گرفته است. بدین منظور، مجموعه ای از داده های آموزشی شامل نمرات دروس مختلف، تعداد غیبت ها، مشارکت در کلاس، سطح انگیزش و متغیرهای فردی از دانش آموزان یک دبیرستان طی یک سال تحصیلی جمع آوری شد. پس از انجام مراحل پیش پردازش داده ها، مدل شبکه عصبی با ساختار چندلایه ای و استفاده از الگوریتم بهینه سازی آدام (Adam) آموزش داده شد. عملکرد مدل از طریق معیارهایی مانند میانگین مربع خطا (MSE) و دقت پیش بینی ارزیابی گردید. نتایج حاصل حاکی از آن بود که شبکه عصبی توانسته است با دقت بالایی روند پیشرفت تحصیلی دانش آموزان را پیش بینی نماید. یافته های این مطالعه بیانگر آن است که استفاده از مدل های مبتنی بر یادگیری ماشین می تواند به عنوان ابزاری کارآمد برای ارتقاء فرایندهای تصمیم گیری در نظام آموزشی مورد استفاده قرار گیرد.

کلیدواژه ها:

شبکه عصبی مصنوعی (ANN) ، پیشرفت تحصیلی ، یادگیری ماشین ، مدل سازی آموزشی ، پیش بینی عملکرد درسی