ارائه مدل هوشمند ترکیبی برای بهینه سازی مدیریت آموزشی الکترونیک با استفاده از خوشه بندی DBSCAN

در عصر تحول دیجیتال بهینه سازی مدیریت سامانه های آموزش الکترونیکی به یک چالش اساسی در ارائه تجربه های آموزشی شخصی سازی شده و کارآمد تبدیل شده است. این پژوهش یک مدل هوشمند ترکیبی نوآورانه پیشنهاد میدهد که الگوریتم خوشه بندی مبتنی بر چگالی DBSCAN را با مدل پیش بینی دنباله ای مبتنی بر ترنسفورمر مارکوفی ترکیب میکند تا مدیریت آموزش الکترونیکی را ارتقا دهد. در این مدل الگوریتم DBSCAN برای خوشه بندی یادگیرندگان اساس داده های رفتاری شناختی و تعاملی به کار میرود تا الگوهای پنهان یادگیری و پروفایلهای درگیر شدن آنها شناسایی گردد. سپس معماری ترنسفورمر تقویت شده با گذارهای مارکوفی به منظور پیش بینی مسیرهای یادگیری فردی شده مورد استفاده قرار میگیرد؛ به گونه ای که وابستگیهای زمانی و گذارهای احتمالاتی بین وضعیت های یادگیری را به درستی مدل سازی میکند. این رویکرد ترکیبی امکان سازگاری پویا در ارائه محتوا و راهبردهای یادگیری را فراهم می آورد و موجب ارتقای دقت در پروفایل سازی یادگیرندگان و برنامه ریزی آموزشی پیش بینانه می شود. ارزیابی های مقایسه ای با استفاده از داده های واقعی آموزشی نشان دهنده عملکرد برتر مدل پیشنهادی از نظر صحت خوشه بندی، دقت پیش بینی و سازگاری سیستم است. نتایج حاکی از آن است که این مدل میتواند نقش موثری در افزایش مشارکت یادگیرندگان، کاهش نرخ ریزش و بهینه سازی تخصیص منابع در محیط های آموزش الکترونیکی هوشمند ایفا کند.

کلیدواژه ها:

مدیریت هوشمند آموزش الکترونیکی ، خوشه بندی DBSCAN ، مدل ترنسفورمر مارکوفی ، پیش بینی مسیر یادگیری ، کاوش داده های آموزشی