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

در عصر حاضر، موسسات آموزشی با حجم عظیمی از داده های تولید شده توسط سیستم های مدیریت یادگیری و پایگاه های داده دانشجویی مواجه هستند. تحلیل این داده ها به منظور بهبود فرآیند آموزش و پیشگیری از افت تحصیلی، به یکی از چالش های اصلی پژوهشگران علوم تربیتی و علوم داده تبدیل شده است. روش های سنتی آماری و حتی الگوریتم های کلاسیک یادگیری ماشین، در مواجهه با پیچیدگی، غیرخطی بودن و ابعاد بالای این داده ها، کارایی محدودی دارند. این مقاله به بررسی جامع کاربرد مدل های یادگیری عمیق (Deep Learning) در پیش بینی عملکرد تحصیلی می پردازد. با بهره گیری از معماری های پیشرفته نظیر شبکه های عصبی کانولوشنی (CNN) و شبکه های حافظه کوتاه-مدت طولانی (LSTM)، می توان الگوهای پنهان رفتاری و تحصیلی دانش آموزان را با دقت بسیار بالاتری شناسایی کرد. هدف اصلی این پژوهش، تبیین چگونگی استفاده از این مدل ها برای شناسایی زودهنگام دانش آموزان در معرض خطر و ارائه مداخلات آموزشی به موقع است. نتایج نشان می دهد که یادگیری عمیق نه تنها دقت پیش بینی را افزایش می دهد، بلکه امکان تحلیل داده های زمانی و متوالی را نیز فراهم می آورد.

کلیدواژه ها:

کلمات کلیدی: یادگیری عمیق ، پیش بینی عملکرد تحصیلی ، داده کاوی آموزشی ، شبکه های عصبی ، افت تحصیلی ، هوش مصنوعی در آموزش.