//پیش بینی عملکرد تحصیلی دانش آموزان با مدلهای یادگیری عمیق//

با رشد روزافزون داده های آموزشی و ظهور سیستم های مدیریت یادگیری الکترونیکی، نیاز به تحلیل دقیق رفتارهای یادگیری دانش آموزان بیش از پیش احساس می شود. پیش بینی عملکرد تحصیلی به عنوان یکی از مهم ترین کاربردهای داده کاوی آموزشی، امکان شناسایی زودهنگام دانش آموزان در معرض افت تحصیلی و ارائه بازخوردهای شخصی سازی شده را فراهم می آورد. در سال های اخیر، گذار از روش های آماری سنتی به سمت مدل های یادگیری عمیق، دقت پیش بینی ها را به طرز چشمگیری افزایش داده است. این مقاله به بررسی جامع کاربرد معماری های مختلف یادگیری عمیق نظیر شبکه های عصبی بازگشتی و کانولوشنی در تحلیل داده های آموزشی می پردازد. نتایج نشان می دهد که این مدل ها با قابلیت استخراج ویژگی های پنهان و غیرخطی از کلان داده های آموزشی، عملکردی برتر نسبت به روش های کلاسیک دارند.

کلیدواژه ها:

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