طراحی مدل پیش بینی پرخاشگری بر اساس داده های گفتاری و نوشتاری دانش آموزان

در عصر کنونی که فناوری های نوین به ویژه در حوزه ی هوش مصنوعی و پردازش زبان طبیعی (NLP) به سرعت در حال پیشرفت اند، تحلیل و پیش بینیویژگی هایروان شناختی و رفتاری انسان ها از طریق داده های زبانی به یکی از موضوعات مهم و کاربردی پژوهش هایمیان رشته ای تبدیل شده است. یکی از چالش های اساسی نظام های آموزشی، مسئله ی پرخاشگری در میان دانش آموزان است که می تواند پیامدهای منفی گسترده ای بر سلامت روانی، عملکرد تحصیلی و تعاملات اجتماعی آنان برجای گذارد. در این پژوهش، تلاش شده است مدلی هوشمند و داده محور برای پیش بینی میزان و احتمال بروز رفتارهای پرخاشگرانه دانش آموزان بر اساس داده های گفتاری و نوشتاری آنان طراحی و ارزیابی شود. هدف اصلی این تحقیق، بهره گیری از قابلیت های پردازش زبان طبیعی برای شناسایی الگوهای زبانی، واژگانی و احساسی نهفته در بیان گفتاری و نوشتاری دانش آموزان است تا بتوان از طریق تحلیل خودکار آن ها، میزان گرایش به پرخاشگری را به صورت دقیق، علمی و مبتنی بر داده پیش بینیکرد.در این راستا، ابتدا داده های زبانی از دو منبع اصلی گردآوری گردید: الف) گفتار ضبط شده ی دانش آموزان در موقعیت های طبیعی و کنترل شده ی کلاسی و ب) متون نوشتاری شامل انشاها، پیام های کوتاه و یادداشت هایروزانه ی آنان. این داده ها پس از طی مراحل پاک سازی، نرمال سازی، برچسب گذاری احساسی و استخراج ویژگی های زبانی، به کمک الگوریتم هایپیشرفته ی یادگیری ماشین و مدل های زبانی عمیق مانند BERT فارسی، ParsBERT و LSTM مورد تحلیل قرار گرفتند. ویژگی هایاستخراج شده شامل شاخص های احساسی (مانند بسامد واژگان خشم، تهدید، یا ناامیدی)، شاخص های ساختاری (نحو، طول جملات، تنوع واژگان)، و ویژگی هایآکوستیکی گفتار (زیر و بمی صدا، شدت، نوسانات تن صوتی) بود. سپس، این ویژگی ها وارد مدل هایپیش بینی چندلایه شدند تا رابطه ی بین الگوهای زبانی و سطح پرخاشگری دانش آموزان به صورت کمی و کیفی مدل سازیگردد.نتایجاولیه ی پژوهش نشان داد که داده های گفتاری و نوشتاری حاوی نشانه های زبانی معناداری هستند که می توانند به عنوان شاخص های موثر در پیش بینی پرخاشگری به کار روند. در میان مدل هایآزموده شده، مدل ترکیبی مبتنی بر Fusion BERT-LSTM با بهره گیری هم زمان از داده های گفتاری و نوشتاری، دقت بالاتری نسبت به مدل هایتک وجهی نشان داد. تحلیل های آماری نیز موید آن بود که برخی از ویژگی های احساسی (به ویژه بسامد واژگان منفی و ساختارهای دستوری تاکیدی) و شاخص های صوتی (مانند افزایش دامنه ی زیر و بمی در لحظات خشم) بیشترین همبستگی را با شاخص پرخاشگری دارند. افزون بر این، مدل طراحی شده توانست با دقتی بیش از ۸۵ درصد، رفتارهای پرخاشگرانه را در سطح بالا، متوسط و پایین طبقه بندیکند.اهمیت نظری این پژوهش در تلفیق دو حوزه یروان شناسی تربیتی و پردازش زبان طبیعی نهفته است؛ به گونه ای که برای نخستین بار در زمینه یپیش بینی رفتارهای هیجانی دانش آموزان، از داده هایچندوجهی گفتار و نوشتار استفاده شده است. از نظر کاربردی، این مدل می تواند به عنوان ابزاری تشخیصی برای مشاوران مدارس، روان شناسان آموزشی و معلمان مورد استفاده قرار گیرد تا با تحلیل خودکار داده های زبانی دانش آموزان، هشدارهای اولیه در مورد احتمال بروز پرخاشگری صادر گردد و مداخلات آموزشی یا روانی پیشگیرانه طراحی شود. همچنین، نتایج تحقیق زمینه سازتوسعه یسامانه های هوشمند تحلیل هیجانی در مدارس خواهد بود که می توانند در مدیریت هیجانات، کاهش تنش های کلاسی، و ارتقای مهارت های ارتباطی دانش آموزان نقشی کلیدی ایفا کنند.در نهایت، این مطالعه نشان می دهد که استفاده از مدل های یادگیری عمیق در ترکیب با تحلیل زبان طبیعی، می تواند ابزاری موثر در شناسایی و کنترل رفتارهای پرخاشگرانه در محیط های آموزشی باشد. پژوهش حاضر با ارائه ی مدلی نوآورانه، گامی مهم در جهت فناوری محور شدن روان شناسی تربیتی و حرکت به سوی مدارس هوشمند با قابلیت تشخیص خودکار هیجانات و رفتارهای منفی برداشته است. پیشنهاد می شود در تحقیقات آینده، داده هایچندزبانه، تعاملات غیرکلامی (حالت چهره و حرکات بدنی)، و ویژگی های فرهنگی و اجتماعی نیز به مدل افزوده شوند تا دقت و کارایی آن افزایش یابد.

کلیدواژه ها:

پردازش زبان طبیعی ، پرخاشگری دانش آموزان ، یادگیری ماشین ، تحلیل گفتار و نوشتار ، مدل پیش بینی رفتار ، روان شناسی تربیتی ، BERT ، هوش مصنوعی.