پیش بینی مشارکت فعال دانش آموزان در کلاس با استفاده از مدل BERT و داده های رفتاری آموزشی

پیش بینی مشارکت فعال دانش آموزان در کلاس های درسی یکی از چالش های کلیدی در حوزه ی آموزش و یادگیری هوشمند محسوب می شود. با گسترش سامانه های مدیریت یادگیری (LMS) و ابزارهای یادگیری دیجیتال، داده های رفتاری زیادی از دانش آموزان در حین فعالیت های آموزشی ثبت می شود، اما استفاده ی موثر از این داده ها مستلزم بهره گیری از الگوریتم های پیشرفته ی پردازش زبان طبیعی و یادگیری ماشین است. در این مقاله، مدلی مبتنی بر BERT (Bidirectional Encoder Representations from Transformers) برای تحلیل داده های رفتاری آموزشی و پیش بینی سطح مشارکت فعال دانش آموزان ارائه شده است. داده های مورد استفاده شامل تعاملات نوشتاری، زمان صرف شده روی محتوا، تعداد پاسخ ها، میزان مشارکت در انجمن های کلاسی و الگوهای دسترسی به منابع بوده اند. مدل BERT به صورت فاین تیون شده بر روی داده های آموزشی، با هدف تحلیل ویژگی های زبانی و رفتاری دانش آموزان آموزش داده شد. نتایج تجربی حاصل از آزمایش بر روی داده های واقعی نشان می دهد که این مدل با دقت بالایی (بیش از ۹۰ درصد) می تواند دانش آموزان با مشارکت فعال را از دیگران تمایز دهد. مهم ترین شاخص های موثر در مدل شامل میانگین زمان پاسخ دهی، عمق تعاملات متنی و ثبات رفتاری در استفاده از سامانه آموزشی شناسایی شدند. برخلاف روش های آماری سنتی، این مدل نیازمند فرمول سازی پیچیده یا استفاده از تحلیل های پیشرفته آماری نیست و با تحلیل زبان و رفتار دیجیتال کاربران، عملکردی دقیق و در عین حال قابل فهم ارائه می دهد. نتایج این مطالعه می تواند به طراحی ابزارهای هوشمند هشدار مشارکت پایین و همچنین بهبود بازخورد آنی معلمان در فرایند تدریس کمک کند. در پایان، پیشنهادهایی برای توسعه ی سیستم های آموزشی مبتنی بر پیش بینی رفتار ارائه شده است.

کلیدواژه ها:

مشارکت فعال ، داده های رفتاری آموزشی ، مدل BERT ، پیش بینی یادگیری