پیش بینی عملکرد تحصیلی دانش آموزان با مدل های یادگیری عمیق//

در عصر حاضر، داده کاوی آموزشی (EDM) و تحلیل یادگیری به عنوان ابزارهای حیاتی برای ارتقای کیفیت نظام های آموزشی شناخته می شوند. یکی از مهم ترین کاربردهای این حوزه، پیش بینی عملکرد تحصیلی دانش آموزان است که امکان مداخله زودهنگام و شخصی سازی آموزش را فراهم می آورد. با ظهور کلان داده ها و محدودیت روش های آماری سنتی و الگوریتم های کلاسیک یادگیری ماشین در استخراج الگوهای پیچیده و غیرخطی، مدل های یادگیری عمیق (Deep Learning) به عنوان یک پارادایم قدرتمند مطرح شده اند. این مقاله به بررسی جامع کاربرد شبکه های عصبی عمیق، از جمله شبکه های عصبی بازگشتی (RNN)، حافظه طولانی کوتاه مدت (LSTM) و شبکه های کانولوشنی (CNN) در پیش بینی نمرات، نرخ ریزش و موفقیت تحصیلی می پردازد. تمرکز اصلی بر چگونگی مدل سازی تعاملات پیچیده بین ویژگی های دموگرافیک، رفتاری و سوابق تحصیلی است. همچنین، با مرور ادبیات موضوع و استناد به پژوهش های انجام شده توسط محققان ایرانی، اثربخشی این مدل ها در بسترهای آموزشی بومی مورد ارزیابی قرار می گیرد. نتایج نشان می دهد که مدل های عمیق با قابلیت یادگیری ویژگی های سلسله مرتبی، دقت پیش بینی را به طور معناداری افزایش می دهند، هرچند چالش هایی نظیر تفسیرپذیری و هزینه های محاسباتی همچنان پابرجاست.

کلیدواژه ها:

کلمات کلیدی:یادگیری عمیق ، پیش بینی عملکرد تحصیلی ، داده کاوی آموزشی ، شبکه های عصبی مصنوعی ، یادگیری ماشین ، سیستم های مدیریت یادگیری ، مداخله آموزشی ، تحلیل رفتاری دانش آموز