/پیش بینی عملکردتحصیلی دانش آموزان با مدل های یادگیری عمیق///

در عصر حاضر، داده کاوی آموزشی (Educational Data Mining) و تحلیل یادگیری به یکی از ارکان اصلی بهبود کیفیت نظام های آموزشی تبدیل شده است. پیش بینی عملکرد تحصیلی دانش آموزان نه تنها ابزاری برای ارزیابی موفقیت تحصیلی است، بلکه راهکاری پیشگیرانه برای شناسایی دانش آموزان در معرض افت تحصیلی یا ترک تحصیل محسوب می شود. با گذر از روش های آماری سنتی و الگوریتم های یادگیری ماشین کلاسیک، مدل های یادگیری عمیق (Deep Learning) به دلیل توانایی بالا در استخراج ویژگی های پنهان و مدیریت داده های حجیم و پیچیده، توجه بسیاری از پژوهشگران را به خود جلب کرده اند. این مقاله به بررسی جامع کاربرد شبکه های عصبی عمیق، از جمله شبکه های عصبی کانولوشنال (CNN) و شبکه های حافظه کوتاه و بلندمدت (LSTM)، در پیش بینی نمرات و وضعیت تحصیلی دانش آموزان می پردازد. تمرکز اصلی بر چگونگی تعامل متغیرهای جمعیت شناختی، رفتاری و سوابق تحصیلی در بستر مدل های عمیق است. همچنین، با مرور پژوهش های انجام شده در ایران، چالش ها و فرصت های بومی سازی این مدل ها مورد تحلیل قرار می گیرد. نتایج نشان می دهد که مدل های عمیق در صورت دسترسی به داده های کلان و باکیفیت، دقتی به مراتب بالاتر از روش های سنتی ارائه می دهند.

کلیدواژه ها:

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