ارزشیابی عملکرد دانش آموزان با استفاده از تحلیل داده های بزرگ در محیط های مجازی آموزشی

با گسترش روزافزون محیط های مجازی آموزشی در نظام های آموزشی سراسر جهان و به ویژه در ایران، حجم گسترده ای از داده های رفتاری، تعاملی و عملکردی دانش آموزان به صورت مداوم تولید می شود. این داده ها فرصتی بی نظیر برای گذار از ارزشیابی سنتی به رویکردهای پویا، پیش بینی کننده و شخصی سازی شده فراهم می آورند. پژوهش حاضر با هدف بررسی کاربرد تحلیل داده های بزرگ (Big Data Analytics) در ارزشیابی عملکرد دانش آموزان در محیط های مجازی آموزشی انجام شده است. اهمیت این موضوع در توانایی آن برای شناسایی زودهنگام دانش آموزان در معرض خطر افت تحصیلی، ارائه بازخوردهای به موقع، شخصی سازی مسیر یادگیری و در نهایت ارتقای کیفیت آموزش نهفته است. این پژوهش از نوع کاربردی و به روش توصیفی-تحلیلی با رویکرد کمی اجرا شد. جامعه آماری شامل دانش آموزان دوره متوسطه دوم بود که در سال تحصیلی ۱۴۰۳-۱۴۰۴ از پلتفرم های یادگیری مجازی ایرانی نظیر سامانه شاد استفاده می کردند. نمونه گیری به شیوه خوشه ای تصادفی انجام گرفت و حجم نمونه ۴۵۰ نفر تعیین شد. داده ها از لاگ های سیستم مدیریت یادگیری (شامل مدت زمان حضور، تعداد کلیک ها، الگوهای تعامل با محتوا و امتیازات آزمون های آنلاین) استخراج گردید و با بهره گیری از الگوریتم های یادگیری ماشین نظیر Random Forest و شبکه های عصبی مصنوعی تحلیل شدند. یافته های کلیدی نشان داد که مدل های پیش بینی مبتنی بر داده های بزرگ قادرند عملکرد تحصیلی را با دقت ۸۵% (Accuracy = ۰.۸۵) و امتیاز F۱ برابر با ۰.۸۳ پیش بینی کنند. همچنین، متغیرهایی نظیر مدت زمان حضور (r = ۰.۷۲) و سطح تعامل با محتوا (r = ۰.۶۸) قوی ترین همبستگی را با عملکرد نهایی نشان دادند (p < ۰.۰۰۱). نتایج حاکی از آن است که تحلیل داده های بزرگ می تواند ارزشیابی سنتی را به نظامی هوشمند، پیش بینی کننده و مداخله محور تبدیل نماید. این پژوهش با پر کردن خلا کاربرد عملی تحلیل داده های بزرگ در ارزشیابی عملکرد دانش آموزان در بستر ایرانی، پیشنهاد می کند که سیاست گذاران آموزشی و مدیران پلتفرم های مجازی از ابزارهای یادگیری تحلیلی برای مداخله زودهنگام و کاهش نرخ ترک تحصیل بهره گیرند. پیامدهای گسترده این رویکرد شامل ارتقای عدالت آموزشی، بهینه سازی منابع و بهبود پیامدهای یادگیری در محیط های مجازی است.

کلیدواژه ها:

تحلیل داده های بزرگ ، یادگیری تحلیلی ، محیط مجازی آموزشی ، ارزشیابی عملکرد دانش آموزان ، پیش بینی عملکرد تحصیلی ، داده کاوی آموزشی ، یادگیری الکترونیکی