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

در عصر حاضر، داده کاوی آموزشی و تحلیل یادگیری به عنوان ابزارهای حیاتی برای بهبود کیفیت نظام های آموزشی شناخته می شوند. یکی از مهم ترین کاربردهای این فناوری ها، پیش بینی عملکرد تحصیلی دانش آموزان است که امکان مداخله زودهنگام و ارائه مسیرهای یادگیری شخصی سازی شده را فراهم می آورد. روش های آماری سنتی و الگوریتم های یادگیری ماشین کلاسیک، اگرچه تا حدی موفق بوده اند، اما در مواجهه با حجم عظیم داده های پیچیده، غیرخطی و چندبعدی که در محیط های آموزشی مدرن تولید می شوند، محدودیت هایی دارند. این مقاله به بررسی جامع کاربرد مدل های یادگیری عمیق (Deep Learning) در پیش بینی نمرات، نرخ ریزش و وضعیت تحصیلی دانش آموزان می پردازد. با بهره گیری از معماری هایی نظیر شبکه های عصبی عمیق (DNN)، شبکه های عصبی بازگشتی (RNN)، حافظه طولانی کوتاه مدت (LSTM) و شبکه های عصبی کانولوشنی (CNN)، می توان الگوهای پنهان رفتاری و تحصیلی را با دقت بسیار بالاتری شناسایی کرد. در این پژوهش، ضمن مرور ادبیات موضوع و ۱۰ منبع معتبر ایرانی، مراحل پیش پردازش داده ها، طراحی مدل ها، معیارهای ارزیابی و چالش های اخلاقی و فنی مورد بحث قرار می گیرند. نتایج نشان می دهد که مدل های عمیق، به ویژه در تحلیل داده های سری زمانی و تعاملات برخط دانش آموزان، برتری قابل توجهی نسبت به روش های پیشین دارند.

کلیدواژه ها:

پیش بینی عملکرد تحصیلی ، یادگیری عمیق ، داده کاوی آموزشی ، شبکه های عصبی مصنوعی ، تحلیل یادگیری ، مداخله زودهنگام ، هوش مصنوعی در آموزش.