شناسایی سبک های یادگیری دانش آموزان با بهره گیری ازشبکه های مصنوعی GNN

در این مقاله، به بررسی قابلیت شناسایی سبک های یادگیری دانش آموزان با بهره گیری از Graph Neural Networks (GNN) پرداخته می شود. هدف اصلی، توسعه یک روش خودکار و هوشمند است که بتواند بدون نیاز به پرسشنامه های سنتی و وقت گیر مانند FSLSM یا VARK، با استفاده از رفتار تعاملی دانش آموزان در سیستم های آموزش آنلاین، سبک یادگیری آن ها را شناسایی کند. برای این منظور، ابتدا داده های تعاملی (مانند بازدید صفحات، شرکت در امتحانات آنلاین، مشارکت در بحث ها و فعالیت های کلاسی) به صورت گراف های دوبخشی بین گره های دانش آموز و منابع آموزشی مدل سازی می شوند. سپس با استفاده از یکی از معماری های GNN مانند Graph Attention Network (GAT) یا Graph Convolutional Network (GCN)، بردارهای ویژگی پنهان برای هر گره استخراج می شود. این بردارها اطلاعاتی درباره تعاملات و اهمیت گره های مجاور را دربردارند. نتایج تجربی اخیر، نشان می دهند دقت این روش ها بالای ۹۰٪ بوده و نسبت به روش های مبتنی بر شبکه های عصبی سنتی یا تحلیل خوشه ای ساده، دقت، بازیابی و مقدار F۱ بهتری دارند . این رویکرد ضمن دقت بالا، قابلیت تعمیم به پلتفرم های مختلف آموزشی را داشته و ضمن کاهش هزینه و سوگیری، امکان پیاده سازی در محیط های واقعی را فراهم می سازد. این مقاله ضمن ارائه مرور تحلیل محور، بدون استفاده از فرمول ها یا جداول پیچیده، گام ها، روش ها، مزایا و چالش های کلیدی این حوزه را بررسی کرده و پیشنهاداتی برای تحقیقات آینده و بهبود اعتبار سبک شناسی مبتنی بر گراف مطرح می کند.

کلیدواژه ها:

شناسایی خودکار ، مدل های توجه در گراف ، Learning styles ، Graph Neural Networks