پیش بینی عملکردتحصیلی دانش آموزان با مدل های یادگیری عمیق

با رشد روزافزون فناوری های هوش مصنوعی و به ویژه حوزه یادگیری ماشین، استفاده از مدل های پیشرفته برای تحلیل حجم انبوه داده های آموزشی و پیش بینی دقیق عملکرد تحصیلی دانش آموزان، به یکی از رویکردهای نوین و تحول آفرین در عرصه مدیریت آموزشی و مداخله های تربیتی تبدیل شده است. این امر به ویژه در نظام های آموزشی که با چالش هایی نظیر تفاوت های فردی دانش آموزان، نیاز به ارتقای کیفیت یاددهی و یادگیری، و لزوم شناسایی زودهنگام دانش آموزان در معرض خطر افت تحصیلی روبرو هستند، از اهمیت بالایی برخوردار است. در پژوهش حاضر، با تمرکز بر داده های تحصیلی شبیه سازی شده از دانش آموزان مقطع ابتدایی در کشور ایران، به بررسی و مقایسه توانمندی های سه مدل برجسته یادگیری عمیق پرداخته شد: شبکه های عصبی عمیق (Deep Neural Networks - DNN)، شبکه های عصبی بازگشتی (Recurrent Neural Networks - RNN)، و مدل حافظه بلندمدت کوتاه (Long Short-Term Memory - LSTM) که یکی از انواع پیشرفته شبکه های بازگشتی محسوب می شود.برای دستیابی به این هدف، مجموعه ای از شاخص های کلیدی و موثر بر عملکرد تحصیلی دانش آموزان به عنوان ورودی های مدل ها در نظر گرفته شد. این شاخص ها شامل نمرات کسب شده توسط دانش آموزان در دروس اصلی و کلیدی پایه پنجم ابتدایی (مانند ریاضی، علوم و ادبیات فارسی)، میزان و کیفیت مشارکت فعال و موثر آن ها در فعالیت های کلاسی و فوق برنامه، و همچنین سوابق و کیفیت انجام تکالیف محوله از سوی معلمان بود. این مجموعه داده ها، با دقت طراحی و شبیه سازی شده اند تا تا حد امکان منعکس کننده واقعیت های موجود در محیط های آموزشی کشور باشند.نتایج حاصل از اجرای مدل های مختلف و مقایسه عملکرد آن ها، حاکی از برتری قابل توجه مدل LSTM در پیش بینی عملکرد تحصیلی دانش آموزان بود. این مدل توانست با دقت پیش بینی ۹۲٪، که معیاری حیاتی در ارزیابی کارایی مدل های پیش بینی محسوب می شود، عملکردی به مراتب بهتر و قوی تر نسبت به سایر مدل های مورد بررسی، یعنی DNN و RNN، از خود نشان دهد. این یافته نشان می دهد که مدل LSTM به دلیل معماری خاص خود که قادر به پردازش و درک توالی های داده ای و وابستگی های بلندمدت در طول زمان است، می تواند ابزار بسیار کارآمدی در اختیار معلمان، مشاوران تحصیلی و مدیران مدارس قرار دهد. این ابزار امکان شناسایی زودهنگام دانش آموزانی را که در معرض خطر افت تحصیلی قرار دارند، فراهم می آورد.این رویکرد پیش بینی کننده، مزایای متعددی را به همراه دارد. اولا، امکان مداخله زودهنگام و هدفمند را برای جلوگیری از تشدید مشکلات تحصیلی دانش آموزان فراهم می سازد. ثانیا، با ارائه اطلاعات دقیق تر در مورد نقاط قوت و ضعف هر دانش آموز، به شخصی سازی مسیر یادگیری و متناسب سازی روش های تدریس و تکالیف با نیازهای فردی آن ها کمک شایانی می کند. در نهایت، این امر منجر به ارتقای کلی کیفیت فرآیندهای یاددهی و یادگیری در مدارس ابتدایی شده و به تحقق اهداف آموزشی کمک می کند.

کلیدواژه ها:

یادگیری عمیق ، پیش بینی عملکرد تحصیلی ، شبکه عصبی بازگشتی ، LSTM ، داده کاوی آموزشی ، مدارس ابتدایی ایران ، مدل سازی پیش بینانه ، هوش مصنوعی در آموزش.