طراحی الگوریتم یادگیری شناختی تطبیقی با استفاده از داده کاوی آموزشی برای پیش بینی و ارتقای عملکرد تحصیلی دانش آموزان در محیط های مجازی

تحول سریع فناوری های آموزشی در دهه اخیر، فرصت های تازه ای را برای تحلیل داده های یادگیری و بهینه سازی فرایند آموزش فراهم ساخته است. با افزایش حجم داده های رفتاری و شناختی دانش آموزان در محیط های یادگیری مجازی، استفاده از روش های داده کاوی آموزشی و الگوریتم های یادگیری تطبیقی به ضرورتی علمی و عملی بدل شده است. پژوهش حاضر با هدف طراحی الگوریتمی شناختی–تطبیقی مبتنی بر داده کاوی آموزشی انجام شد تا بتواند عملکرد تحصیلی دانش آموزان را پیش بینی کرده و در لحظه با ارائه بازخوردهای هدفمند، مسیر یادگیری آنان را بهبود بخشد. در این چارچوب، از ترکیب مدل های پیش بینی داده محور (مانند XGBoost و Random Forest) با مدل های بازنمایی مهارتی (نظیر Bayesian Knowledge Tracing و Deep Knowledge Tracing) استفاده شده است تا وضعیت شناختی هر دانش آموز به صورت پویا شناسایی گردد. داده های ورودی شامل لاگ های تعاملی، زمان پاسخ، الگوهای اشتباه، سوابق نمرات، و پرسشنامه های انگیزشی بوده و پس از پیش پردازش و استخراج ویژگی ها، وارد الگوریتم پیش بینی شدند.نتایج اولیه آزمایش های میدانی نشان می دهد که دقت مدل های تلفیقی در پیش بینی عملکرد نسبت به مدل های خطی سنتی به طور معناداری افزایش یافته و الگوریتم توانسته است رفتارهای یادگیری در خطر افت تحصیلی را با دقت بالایی شناسایی کند. همچنین، مداخلات تطبیقی طراحی شده بر اساس پیش بینی مدل، باعث افزایش میانگین نمرات، ارتقای خودتنظیمی شناختی و بهبود انگیزش تحصیلی در گروه آزمایش گردید. تحلیل های آماری نشان داد که میزان مشارکت فعال دانش آموزان در کلاس های مجازی پس از به کارگیری سیستم پیشنهادی تا ۳۵ درصد افزایش یافته و نرخ افت تحصیلی تا حدود ۲۵ درصد کاهش یافته است.الگوریتم پیشنهادی، با تلفیق سه لایه داده کاوی، تحلیل شناختی و تصمیم گیری تطبیقی، چرخه ای هوشمند از «پیش بینی–بازخورد–تطبیق» را ایجاد می کند که نه تنها عملکرد تحصیلی را ارتقا می دهد، بلکه به عنوان ابزاری پشتیبان برای معلمان در مدیریت یادگیری شخصی سازی شده نیز قابل استفاده است. این پژوهش از منظر نظری، گامی در جهت پیوند علوم شناختی، علوم تربیتی و یادگیری ماشین محسوب می شود و از منظر عملی، می تواند مبنایی برای توسعه سیستم های هوشمند یاددهی–یادگیری در مدارس مجازی ایران باشد. یافته ها نشان می دهد که بهره گیری از تحلیل های داده محور در کنار مدل های شناختی، امکان طراحی مسیرهای یادگیری پویا، اخلاق محور و متناسب با تفاوت های فردی دانش آموزان را فراهم می کند.

کلیدواژه ها:

داده کاوی آموزشی ، عملکرد تحصیلی ، الگوریتم های شناختی ، یادگیری ماشین ، محیط های یادگیری مجازی مقدمه