تحلیل پیش بینی کننده نمرات نهایی با ترکیب داده های تحصیلی و رفتاری

در عصر کلان داده ها و هوش مصنوعی، نظام های آموزشی به سمت شخصی سازی و پیش بینی عملکرد فراگیران حرکت کرده اند. هدف اصلی این پژوهش مروری و تحلیلی، بررسی مدل های پیش بینی کننده نمرات نهایی دانشجویان و دانش آموزان با بهره گیری از رویکرد ترکیبی است. در حالی که مدل های سنتی عمدتا بر سوابق تحصیلی مانند معدل های گذشته و نمرات آزمون ها تمرکز داشتند، تحقیقات نوین نشان می دهد که افزودن متغیرهای رفتاری (مانند میزان مشارکت در کلاس، تعامل با سامانه های یادگیری الکترونیکی، نظم و انضباط و الگوهای خواب و فعالیت) می تواند دقت پیش بینی را به طور معناداری افزایش دهد. این مقاله با بررسی ادبیات موضوع و تحلیل روش های داده کاوی آموزشی (EDM)، نشان می دهد که چگونه الگوریتم های یادگیری ماشین می توانند الگوهای پنهان در رفتار فراگیران را شناسایی کنند. یافته ها حاکی از آن است که ترکیب داده های کمی (نمرات) و کیفی (رفتار) نه تنها خطای پیش بینی را کاهش می دهد، بلکه به مدیران و مدرسان امکان می دهد تا دانشجویان در معرض خطر افت تحصیلی را در مراحل اولیه شناسایی کرده و مداخلات لازم را انجام دهند.

کلیدواژه ها:

واژگان کلیدی: داده کاوی آموزشی ، پیش بینی عملکرد تحصیلی ، تحلیل رفتاری ، یادگیری ماشین ، سوابق تحصیلی ، یادگیری الکترونیکی ، تحلیل یادگیری.