یک چارچوب هوشمند چندمنبعی مبتنی بر هوش مصنوعی برای پیش بینی زودهنگام ترک تحصیل دانش آموزان با استفاده از داده های رفتاری

ترک تحصیل دانش آموزان یکی از چالش های مهم و فراگیر نظام آموزش عالی در دهه های اخیر است که پیامدهای جدی در سطوح فردی، نهادی و ملی به دنبال دارد. هدف این مقاله، ارائه یک چارچوب ترکیبی و تبیین پذیر برای پیش بینی زودهنگام دانش آموزان در معرض خطر ترک تحصیل با استفاده از الگوریتم های یادگیری ماشین و داده های چندمنبعی است. چارچوب پیشنهادی با بهره گیری از اطلاعات جمعیت شناختی، تحصیلی و رفتاری استخراج شده از سامانه های مدیریت یادگیری (LMS)، و به کارگیری الگوریتم هایی مانند جنگل تصادفی (Random Forest)، CatBoost و شبکه عصبی بازگشتی هیبریدی (HLRNN) طراحی شد. برای بهبود عملکرد مدل، از روش های انتخاب ویژگی RFE) و RFECV)، مدیریت عدم توازن کلاس ( SMOTE و ADASYN)، و بهینه سازی چندهدفه با NSGA-II استفاده گردید. به منظور تفسیر خروجی مدل ها و افزایش شفافیت، از ابزارهای هوش مصنوعی قابل تبیین مانند SHAP و LIME بهره گرفته شد. نتایج نشان داد که مدل HLRNN در شناسایی دقیق دانش آموزان در معرض خطر عملکرد بهتری نسبت به سایر مدل ها دارد و متغیرهایی مانند میانگین مشارکت هفتگی در LMS، تعداد دروس افتاده، و معدل سال قبل از مهم ترین عوامل پیش بینی ترک تحصیل بودند. این پژوهش نشان می دهد که ترکیب داده های رفتاری با الگوریتم های یادگیری عمیق قابل تبیین، می تواند بستری موثر برای طراحی مداخلات آموزشی هدفمند فراهم سازد.

کلیدواژه ها:

ترک تحصیل ، یادگیری ماشین ، هوش مصنوعی قابل تبیین ، LMS ، انتخاب ویژگی