شناسایی علائم اولیه پرخاشگری در دانش آموزان با تحلیل داده های رفتاری مبتنی بر هوش مصنوعی

پرخاشگری در محیط های آموزشی یکی از چالش های اساسی تربیتی و روان شناختی است که می تواند پیامدهای منفی گسترده ای بر عملکرد تحصیلی، سلامت روانی و روابط اجتماعی دانش آموزان داشته باشد. شناسایی به موقع علائم اولیه پرخاشگری، پیش از بروز رفتارهای آشکار و آسیب رسان، از اهمیت بالایی برخوردار است، زیرا این امکان را فراهم می آورد که مداخلات پیشگیرانه و اصلاحی به موقع انجام شود و محیط آموزشی سالم و ایمن حفظ گردد. در این راستا، فناوری های نوین مبتنی بر هوش مصنوعی و یادگیری ماشین، به ویژه الگوریتم های تحلیل داده های رفتاری، فرصت های جدیدی برای بررسی و شناسایی این پدیده فراهم کرده اند.هدف اصلی پژوهش حاضر، طراحی و توسعه مدلی هوشمند برای شناسایی علائم اولیه پرخاشگری در دانش آموزان با تحلیل داده های رفتاری آنان در محیط آموزشی با استفاده از تکنیک های هوش مصنوعی است. این پژوهش بر این فرض استوار است که رفتارهای پرخاشگرانه، حتی در مراحل اولیه، دارای شاخص های رفتاری، حرکتی و تعاملی مشخصی هستند که قابل اندازه گیری و تحلیل با ابزارهای هوشمند می باشند. داده های مورد استفاده شامل مشاهدات مستقیم از رفتار دانش آموزان در کلاس، ثبت تعاملات آن ها با همسالان و معلمان، الگوهای فعالیت های فیزیکی و حرکتی و سایر شاخص های مرتبط با انضباط و تعامل اجتماعی بود. این داده ها پس از پیش پردازش و نرمال سازی، با استفاده از الگوریتم های یادگیری ماشین و شبکه های عصبی عمیق مورد تحلیل قرار گرفتند تا الگوهای رفتاری مرتبط با پرخاشگری شناسایی شوند.در این مطالعه، علاوه بر تحلیل مستقیم رفتارها، از ویژگی های رفتاری غیرمستقیم مانند زمان واکنش به محرک ها، میزان تعامل اجتماعی، الگوهای توجه و تغییرات در حرکات بدنی نیز استفاده شد. این شاخص ها با بهره گیری از الگوریتم های هوش مصنوعی و روش های تحلیل داده های حجیم، توانستند نشانه های اولیه پرخاشگری را به صورت قابل اعتماد استخراج کنند. نتایج نشان داد که برخی الگوهای رفتاری، مانند افزایش ناگهانی در فعالیت های حرکتی، کاهش تعامل مثبت با همسالان، و پاسخ های احساسی شدید به محرک های محیطی، شاخص های قوی برای پیش بینی گرایش به پرخاشگری هستند.علاوه بر این، تحلیل داده ها با استفاده از مدل های ترکیبی مبتنی بر شبکه عصبی بازگشتی (RNN) و الگوریتم هایطبقه بندی چندلایه، دقت بالایی در تشخیص دانش آموزان در معرض خطر پرخاشگری ارائه داد. این مدل ها توانستند با بیش از ۸۵ درصد دقت، دانش آموزان پرخاشگر را در مراحل اولیه شناسایی کرده و زمینه ساز مداخلات آموزشی و روانی به موقع شوند. یافته ها همچنین نشان دادند که ترکیب شاخص های مختلف رفتاری و توجه به تعاملات اجتماعی، قدرت پیش بینی را به طور قابل توجهی افزایش می دهد و مدل هایتک بعدی تنها قادر به تشخیص محدود هستند.اهمیت علمی این پژوهش در تلفیق روان شناسی تربیتی، علوم رفتاری و هوش مصنوعی نهفته است؛ زیرا برای نخستین بار امکان شناسایی علائم اولیه پرخاشگری در دانش آموزان از طریق تحلیل داده های رفتاری فراهم شده و الگویی عملی برای مداخلات پیشگیرانه ارائه گردیده است. از نظر کاربردی، نتایج تحقیق می تواند به معلمان، مشاوران و روان شناسان آموزشی کمک کند تا با استفاده از ابزارهای هوشمند، محیط کلاس را مدیریت کنند و از بروز رفتارهای پرخاشگرانه جلوگیری نمایند.در نهایت، پژوهش حاضر نشان می دهد که استفاده از هوش مصنوعی در تحلیل داده های رفتاری دانش آموزان، ابزاری قدرتمند برای پیش بینی و مدیریت پرخاشگری است و می تواند نقش کلیدی در طراحی مدارس هوشمند و سلامت محور ایفا کند. با توسعه این مدل و افزودن داده هایچندوجهی شامل شاخص هایزیست فیزیولوژیکی، حرکتی و محیطی، دقت و کارایی پیش بینی پرخاشگری می تواند به طور چشمگیری افزایش یابد.

کلیدواژه ها:

پرخاشگریدانش آموزان ، علائماولیهپرخاشگری ، هوشمصنوعی ، یادگیریماشین ، تحلیلداده هایرفتاری ، شبکهعصبی ، روان شناسیتربیتی ، مدارسهوشمند.