داده کاوی رفتار دانش آموز: استفاده اخلاقی از تحلیل داده ها (Learning Analytics) برای پیش بینی افت تحصیلی قبل از وقوع.

چکیدهدر عصر دیجیتال، سامانه های مدیریت یادگیری (LMS) و پلتفرم های آموزشی هوشمند، حجم عظیمی از داده ها را تولید می کنند که ردپای دیجیتالی رفتار دانش آموزان را تشکیل می دهد. این مقاله به بررسی چگونگی استفاده از داده کاوی آموزشی (EDM) و تحلیل یادگیری (Learning Analytics) برای شناسایی الگوهای پنهانی می پردازد که منجر به افت تحصیلی می شوند. هدف اصلی، گذر از رویکرد سنتی «تشخیص پس از شکست» به رویکرد پیشگیرانه «پیش بینی قبل از وقوع» است. با این حال، قدرت پیش بینی رفتار انسانی چالش های اخلاقی عمیقی را در زمینه های حریم خصوصی، رضایت آگاهانه، سوگیری های الگوریتمی و برچسب زنی به دانش آموزان ایجاد می کند. این پژوهش با تحلیل تکنیک های مدل سازی پیش بینانه و چارچوب های اخلاقی، استدلال می کند که استفاده از داده ها تنها زمانی مشروع است که شفافیت، عدالت و عاملیت انسانی (Human Agency) در اولویت قرار گیرند و داده ها نه برای نظارت پلیسی، بلکه برای حمایت همدلانه و شخصی سازی مسیر یادگیری به کار گرفته شوند.

کلیدواژه ها:

کلمات کلیدی: داده کاوی آموزشی (EDM) ، تحلیل یادگیری ، پیش بینی افت تحصیلی ، اخلاق داده ، حریم خصوصی دانش آموز ، هوش مصنوعی در آموزش ، سوگیری الگوریتمی.