پایش وتحلیل رفتار دانش آموزان با استفاده از هوش مصنوعی و الگوریتم ژنتیک نسخه بومی بهینه جهت شناسایی الگوهای افت تحصیلی

در این پژوهش، یک الگوریتم ژنتیک بومی سازی شده و بهینه برای پیش بینی افت تحصیلی دانش آموزان طراحی و ارزیابی شده است. هدف اصلی این پژوهش، بهبود دقت و کاهش زمان تشخیص دانش آموزان در معرض افت تحصیلی با استفاده از ترکیب الگوریتم ژنتیک و یادگیری ماشین بوده است. داده های مرتبط شامل غیبت، میانگین نمرات و میزان مشارکت، ابتدا به عنوان ورودی به یک مدل یادگیری ماشین داده شده و سپس با استفاده از نتایج مدل، تابع برازش الگوریتم ژنتیک تنظیم شده است. این الگوریتم به صورت پیوسته با ترکیب و جهش کروموزوم ها نسل های جدیدی از ویژگی های دانش آموزان را تولید کرده و براساس تابع برازش بهینه شده، دانش آموزان با ریسک بالا را شناسایی می کند. نتایج مقایسه بین روش سنتی و روش بهینه شده نشان داد که این الگوریتم بومی در بازه های زمانی مختلف به طور قابل توجهی دقت تشخیص باالتری دارد و زمان تشخیص نیز به طرز چشمگیری کاهش یافته است. در روش بهینه شده، با گذشت زمان و تکرار دوره های آموزشی، دقت تشخیص از ۵۸٪ به ۹٪ افزایش یافت و زمان تشخیص از ۵.۲ ثانیه به ۲.۱ ثانیه کاهش یافت. این سیستم می تواند ابزار ارزشمندی برای کادر آموزشی و مشاوران تحصیلی باشد و امکان شناسایی دانش آموزان نیازمند به مداخله سریع را فراهم کند، که در نتیجه به بهبود کلی عملکرد تحصیلی مدرسه و افزایش سطح یادگیری دانش آموزان منجر می شود.

کلیدواژه ها:

هوش مصنوعی ، الگوریتم ژنتیک ، افت تحصیلی ، یادگیری ماشین ، دقت تشخیص