بهینه سازی نظام آزمون گیری برای افزایش انگیزه و کاهش اضطراب با استفاده از الگوریتم ژنتیک چندهدفه (GA)

نظام های سنتی آزمون گیری در محیط های آموزشی با چالش های متعددی مواجه اند؛ از جمله کاهش انگیزه یادگیری در دانش آموزان و افزایش اضطراب در مواجهه با امتحان ها. پژوهش حاضر با هدف طراحی روشی نوین برای بهینه سازی فرآیند آزمون گیری با بهره گیری از الگوریتم ژنتیک چندهدفه (Multi-Objective Genetic Algorithm - MOGA) انجام شده است. الگوریتم ژنتیک، به عنوان یکی از روش های پرکاربرد در بهینه سازی هوشمند، توانایی حل هم زمان چند هدف متناقض را داراست. در این مطالعه، با طراحی یک مدل چندهدفه، تلاش شده است تا هم زمان دو هدف کاهش اضطراب آزمون و افزایش انگیزه دانش آموزان با بهینه سازی ویژگی های آزمون مانند سطح دشواری، تنوع سوالات، مدت زمان پاسخ دهی و تطابق با سبک یادگیری، دنبال شود. پژوهش با مرور ادبیات مربوط به انگیزه، اضطراب آزمون، و روش های بهینه سازی آغاز شد و سپس با تحلیل مطالعات اخیر، چارچوب اولیه مدل طراحی گردید. یافته ها نشان دادند که طراحی آزمون های شخصی سازی شده و منعطف بر اساس ویژگی های روان شناختی افراد می تواند به طور معناداری در کاهش اضطراب و افزایش مشارکت موثر باشد. همچنین استفاده از MOGA این امکان را فراهم ساخت تا بدون فدا کردن یکی از اهداف، تعادلی میان عوامل انگیزشی و عوامل استرس زا در آزمون برقرار گردد. نتایج این مطالعه می تواند در سیاست گذاری های آموزشی، طراحی سیستم های یادگیری الکترونیکی و حتی در ارزیابی منابع انسانی سازمان ها مورد استفاده قرار گیرد. در پایان پیشنهادهایی برای تحقیقات آینده و توسعه عملی این مدل ارائه شده است.

کلیدواژه ها:

الگوریتم ژنتیک چندهدفه ، بهینه سازی آزمون ، اضطراب امتحان ، انگیزه یادگیری ، شخصی سازی آموزش