تحلیل تفاوت جنسیتی در اضطراب ریاضی و راهکارهای کاهش آن
- سال انتشار: 1404
- محل انتشار: اولین همایش بین المللی افق های تازه در روانشناسی یادگیری و آموزش و پرورش از دید معلم
- کد COI اختصاصی: NHLECONF01_492
- زبان مقاله: فارسی
- تعداد مشاهده: 61
نویسندگان
دبیر،کارشناسی ارشد ژنتیک
چکیده
دهه های اخیر، شناسایی و تحلیل هیجانات انسانی به ویژه هیجانات منفی، به یکی از حوزه های تحقیقاتی مهم در روان شناسی، علوم کامپیوتر و هوش مصنوعی تبدیل شده است. در این راستا، شناسایی هیجانات در چهره و گفتار انسان ها، به ویژه در محیط های آموزشی، می تواند به تشخیص سریع تر مشکلات روان شناختی، اجتماعی و رفتاری دانش آموزان کمک کند. یکی از چالش های بزرگ در سیستم های شناسایی هیجانات، دقت بالا در تشخیص هیجانات پیچیده و ناگهانی است که می تواند در نتیجه فشارهای محیطی یا در واکنش به مسائل شخصی بروز کند. در این مقاله، به توسعه الگوریتم های تشخیص هیجانات منفی در چهره و گفتار دانش آموزان پرداخته شده است. هدف اصلی این تحقیق، طراحی و ارزیابی سیستم های هوش مصنوعی برای شناسایی هیجانات منفی مانند خشم، اضطراب و غم در دانش آموزان از طریق تجزیه و تحلیل ویژگی های چهره و گفتار است.برای این منظور، ابتدا یک پایگاه داده شامل تصاویر چهره و فایل های صوتی دانش آموزان جمع آوری شد که در آن ها هیجانات مختلف در موقعیت های آموزشی شبیه سازی شده بودند. سپس با استفاده از روش هایپیش پردازش تصویر، ویژگی های مهم چهره شامل نقاط مهم صورت (مانند ابروها، چشم ها، دهان) استخراج شدند. در مورد گفتار، از ویژگی های صوتی همچون تن صدا، حجم صدا، سرعت گفتار و تغییرات آوایی استفاده شد. با ترکیب این دو نوع داده، دو الگوریتم مختلف شامل شبکه های عصبی عمیق و ماشین های بردار پشتیبان (SVM) برای شناسایی هیجانات منفی توسعه داده شدند. نتایج نشان داد که مدل های ترکیبی که از داده های صوتی و تصویری به طور همزمان استفاده می کنند، دقت بالاتری در تشخیص هیجانات منفی دارند.یکی از ویژگی های برجسته این تحقیق، استفاده از الگوریتم های یادگیری عمیق است که به سیستم اجازه می دهند تا بدون نیاز به تنظیمات پیچیده دستی، به طور خودکار ویژگی های مربوط به هیجانات را از داده های خام استخراج کنند. نتایج ارزیابی ها نشان می دهد که سیستم هایتوسعه یافتهتوانسته اند هیجانات منفی را با دقت ۹۰% شناسایی کنند. این امر نشان دهندهقابلیت های پیشرفته پردازش زبان طبیعی و بینایی ماشین در تحلیل رفتارهای انسانی است.از نتایج این تحقیق می توان برای طراحی سیستم های هشداردهنده در مدارس و محیط های آموزشی بهره برداری کرد. به ویژه در مواقعی که یک دانش آموز در حال بروز هیجانات منفی است، معلمان و مسئولین مدارس می توانند از طریق سیستم های هشداردهنده، به موقع واکنش نشان دهند و از بروز رفتارهای منفی مانند پرخاشگری جلوگیری کنند. این تکنولوژی می تواند همچنین به روان شناسان و مشاوران در محیط های آموزشی کمک کند تا با دقت بالاتری وضعیت روحی و روانی دانش آموزان را ارزیابی کنند و مداخلات موثری انجام دهند.در نهایت، این تحقیق نشان می دهد که الگوریتم های یادگیری ماشین و هوش مصنوعی می توانند ابزاری قدرتمند در تشخیص هیجانات و پیش بینی رفتارهای انسانی باشند، به ویژه در شرایط آموزشی که در آن شناسایی و مدیریت هیجانات منفی برای جلوگیری از مشکلات رفتاری و بهبود کیفیت تحصیل بسیار ضروری است. با استفاده از این سیستم ها، می توانمحیط های آموزشی را به گونه ای طراحی کرد که به بهبود سلامت روانی دانش آموزان و ایجاد فضاهای امن تر کمک کند.کلیدواژه ها
اضطراب ریاضی، تفاوت جنسیتی، خودکارآمدی، عملکرد تحصیلی، شیوه های تدریس فعال، مهارت های خودتنظیمی، بازی های جدی آموزشی، بازخورد هوشمند، عدالت آموزشی، روان شناسی تربیتی.اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.