پیش بینی ریسک تحصیلی در دانشجویان و دانش آموزان با استفاده از سیستم های یادگیری ماشین و مداخلات آموزشی مبتنی بر شواهد

این پژوهش به بررسی عوامل موثر بر افت تحصیلی دانش آموزان و دانشجویان و پیش بینی عملکرد تحصیلی آن ها در ترم آینده با استفاده از تکنیک های یادگیری ماشین می پردازد. داده های جمع آوری شده شامل ویژگی های فردی، آموزشی، رفتاری و فوق برنامه مربوط به ۱۹۰ دانش آموز و دانشجو از طریق پرسشنامه و سوابق تحصیلی جمع آوری شد. سه الگوریتم یادگیری ماشین (رگرسیون لجستیک، درخت تصمیم و جنگل تصادفی) برای پیش بینی افت تحصیلی مورد ارزیابی قرار گرفتند. نتایج نشان داد که مدل جنگل تصادفی با دقت ۸۵% بهترین عملکرد را در پیش بینی داشت و متغیرهای معدل نیم سال قبل، نرخ حضور و خودکارآمدی به عنوان عوامل کلیدی شناسایی شدند. علاوه بر این، اثربخشی مداخلات آموزشی شامل آموزش خصوصی، کارگاه های مهارت های مطالعاتی و مشاوره تحصیلی بر روی گروهی از دانش آموزان و دانشجویان در معرض خطر بررسی شد. نتایج نشان داد که گروه مداخله در مقایسه با گروه کنترل، افزایش معنی دار در معدل داشت. این یافته ها بر اهمیت شناسایی زودهنگام دانش آموزان و دانشجویان در معرض خطر و تاثیر مثبت مداخلات آموزشی هدفمند تاکید می کنند.

کلیدواژه ها:

افت تحصیلی ، یادگیری ماشین ، مداخلات آموزشی ، داده کاوی آموزشی ، آموزش عالی