روش های طبقه بندی هوشمند برای تقسیم بندی دانش آموزان بر اساس سبک یادگیری

در عصر دیجیتال و تحول نظام های آموزشی، رویکرد «یک اندازه برای همه» دیگر پاسخگوی نیازهای متنوع دانش آموزان نیست. یادگیری شخصی سازی شده به عنوان راه حلی نوین، بر اهمیت شناخت سبک های یادگیری فردی تاکید دارد. این مقاله به بررسی روش های طبقه بندی هوشمند، مبتنی بر داده کاوی و یادگیری ماشین، برای شناسایی و گروه بندی دانش آموزان بر اساس مدل های مختلف سبک یادگیری (مانند VARK و Kolb) می پردازد. هدف اصلی، تحلیل الگوریتم های خوشه بندی و طبقه بندی نظارت شده و نظارت نشده در محیط های یادگیری الکترونیکی و سنتی است. با بهره گیری از تکنیک هایی نظیر درخت تصمیم، شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و الگوریتم های تکاملی، می توان دقت تشخیص سبک های یادگیری را به طور چشمگیری افزایش داد. یافته ها نشان می دهند که ادغام این روش های هوشمند با سیستم های مدیریت یادگیری (LMS)، منجر به بهبود عملکرد تحصیلی، افزایش انگیزه و رضایت دانش آموزان می شود. همچنین در این پژوهش به چالش های موجود نظیر محرمانگی داده ها و پیچیدگی های محاسباتی پرداخته شده است.کلمات کلیدی

کلیدواژه ها:

طبقه بندی هوشمند ، سبک های یادگیری ، داده کاوی آموزشی ، یادگیری ماشین ، شخصی سازی آموزش ، خوشه بندی دانش آموزان ، سیستم های توصیه گر آموزشی.