استفاده از داده کاوی آموزشی برای پیش بینی احتمال پرخاشگری در محیط های یادگیری

در دهه های اخیر، استفاده از داده کاوی آموزشی برای تحلیل و پیش بینی رفتارهای دانش آموزان در محیط های یادگیری به یکی از موضوعات پر اهمیت در حوزه های آموزش و روان شناسی تبدیل شده است. یکی از مسائل مهم در این زمینه، پیش بینی رفتارهای پرخاشگرانه در دانش آموزان است که می تواند تاثیرات منفی زیادی بر روند یادگیری، تعاملات اجتماعی و کیفیت فضای آموزشی بگذارد. هدف این مقاله، بررسی و تحلیل داده کاوی آموزشی برای پیش بینی احتمال بروز پرخاشگری در محیط های یادگیری است. در این تحقیق، از الگوریتم هایداده کاوی و تکنیک های یادگیری ماشین برای شناسایی الگوهای رفتاری و پیش بینی وقوع پرخاشگری در محیط های کلاس درس استفاده شده است.در این راستا، ابتدا با جمع آوریداده های مربوط به عملکرد آموزشی، رفتار اجتماعی، ویژگی های فردی دانش آموزان و حالات هیجانی، یک مجموعه داده جامع تهیه شد. سپس با استفاده از الگوریتم هایطبقه بندی، مانند درخت تصمیم گیری، ماشین بردار پشتیبان (SVM) و شبکه های عصبی، الگوهای رفتاری که می توانند به بروز پرخاشگری منجر شوند، شناسایی شد. داده ها شامل اطلاعاتی نظیر میزان مشارکت دانش آموزان در کلاس، نتایج امتحانات، وضعیت اجتماعی و اقتصادی، تعاملات آنلاین، و رفتارهای فیزیکی می باشد.یافته ها نشان می دهند که ویژگی های متعددی همچون استرس، کمبود اعتماد به نفس، مشکلات خانوادگی، وضعیت آموزشی ضعیف و تعاملات منفی با همکلاسی ها و معلمان، می توانند به عنوان عوامل اصلی بروز رفتارهای پرخاشگرانه در محیط های آموزشی شناسایی شوند. علاوه بر این، الگوریتم هایداده کاوی به وضوح قادر به شبیه سازی و پیش بینی رفتارهای پرخاشگرانه بر اساس داده هایجمع آوری شده بودند. سیستم پیشنهادی در این تحقیق توانست با دقت ۸۵ درصد پرخاشگری دانش آموزان را پیش بینی کند و هشدارهای لازم را به معلمان و مدیران مدرسه ارسال نماید.مدل هایپیش بینی علاوه بر دقت بالا، این امکان را فراهم کردند که از روش های پیشگیرانه مانند مداخلات زودهنگام و پشتیبانی روانی برای کاهش وقوع رفتارهای پرخاشگرانه استفاده شود. به علاوه، این تحقیق نشان داد که استفاده از داده کاوی آموزشی می تواند به معلمان کمک کند تا با شناسایی زودهنگام دانش آموزان در معرض خطر، شرایط کلاس را بهبود بخشند و از بروز مشکلات جدی تر جلوگیری کنند.این تحقیق به طور کلی بر اهمیت استفاده از داده کاوی آموزشی و یادگیری ماشین برای تحلیل رفتارهای دانش آموزان تاکید دارد و پیشنهاد می کند که مدارس و نهادهای آموزشی باید از این تکنیک ها به عنوان ابزاری برای پیش بینی و مدیریت رفتارهای دانش آموزان استفاده کنند. در پایان، پیشنهاداتی برای بهبود دقت پیش بینی ها و گسترش تحقیقات در زمینه های مختلف مانند بهبود کیفیت داده ها و استفاده از منابع داده جدید ارائه شده است.

کلیدواژه ها:

داده کاوی آموزشی ، پرخاشگری در دانش آموزان ، پیش بینی رفتار ، یادگیری ماشین ، الگوریتم هایداده کاوی ، فضای یادگیری ، تحلیل داده های آموزشی ، مدل هایپیش بینی ، رفتارهای اجتماعی ، الگوریتم هایطبقه بندی