داده کاوی در کلاس درس؛ چگونه از تحلیل نمرات و رفتارها برای پیش بینی و پیشگیری از افت تحصیلی استفاده کنیم؟

در عصر دیجیتال، مدارس و موسسات آموزشی با حجم عظیمی از داده ها روبرو هستند که اغلب بدون استفاده باقی می مانند. از نمرات آزمون ها و سوابق حضور و غیاب گرفته تا ردپای دیجیتال دانش آموزان در سامانه های مدیریت یادگیری (LMS)، همگی حاوی الگوهای پنهانی هستند که می توانند کیفیت آموزش را دگرگون کنند. این مقاله به بررسی کاربرد «داده کاوی آموزشی» (Educational Data Mining - EDM) و «تحلیل یادگیری» (Learning Analytics) در محیط های کلاسی می پردازد. هدف اصلی، گذار از رویکرد «توصیفی» (چه اتفاقی افتاد؟) به رویکرد «پیش بینانه» (چه اتفاقی خواهد افتاد؟) و «تجویزی» (چه باید کرد؟) است. با استفاده از الگوریتم های دسته بندی، خوشه بندی و تحلیل رگرسیون، می توان دانش آموزان در معرض خطر افت تحصیلی را ماه ها قبل از وقوع شکست شناسایی کرد. همچنین، تحلیل رفتاری و احساسی دانش آموزان در محیط های آنلاین، لایه های جدیدی از درک روان شناختی را برای معلمان فراهم می آورد. این مقاله ضمن تشریح فنی و کاربردی این روش ها، به چالش های اخلاقی نظیر حریم خصوصی و سوگیری الگوریتمی می پردازد و راهکارهایی برای پیاده سازی فرهنگ داده محور در مدارس ارائه می دهد.آناهیتا جهانبانی، خدیجه امامی پورلیسانس مترجمی زبان انگلیسی دانشگاه شهید چمران اهوازلیسانس ریاضی کاربردی

کلیدواژه ها:

کلمات کلیدی: داده کاوی آموزشی ، تحلیل یادگیری ، پیش بینی افت تحصیلی ، سامانه هشدار سریع ، هوش مصنوعی در آموزش ، تحلیل رفتار دانش آموز ، آموزش شخصی سازی شده.