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

در عصر کلان داده ها، نظام های آموزشی با حجم عظیمی از داده های تولید شده توسط دانش آموزان در محیط های یادگیری فیزیکی و مجازی مواجه هستند. پیش بینی عملکرد تحصیلی دانش آموزان (Student Performance Prediction - SPP) به عنوان یکی از ارکان اصلی داده کاوی آموزشی (EDM)، پتانسیل بالایی برای شناسایی زودهنگام دانش آموزان در معرض خطر افت تحصیلی و ارائه مداخلات پیشگیرانه دارد. در حالی که روش های آماری سنتی و الگوریتم های یادگیری ماشین کلاسیک در پردازش روابط خطی و داده های ساختاریافته موفق بوده اند، پیچیدگی، چندبعدی بودن و ماهیت زمانی فرآیند یادگیری نیازمند رویکردهای قدرتمندتری است. این مقاله به بررسی جامع کاربرد مدل های یادگیری عمیق (Deep Learning) نظیر شبکه های عصبی عمیق (DNN)، شبکه های عصبی بازگشتی (RNN) و حافظه کوتاه-بلندمدت (LSTM) در پیش بینی موفقیت تحصیلی می پردازد. با واکاوی معماری این مدل ها، فرآیندهای پیش پردازش داده ها، استخراج ویژگی های خودکار و تحلیل سری های زمانی رفتار دانش آموزان، نشان داده می شود که چگونه یادگیری عمیق می تواند الگوهای پنهان و غیرخطی را که از دید روش های سنتی مخفی می مانند، آشکار سازد. همچنین چالش های محاسباتی، پدیده بیش برازش و مباحث اخلاقی مرتبط با حریم خصوصی و تفسیرپذیری مدل ها مورد بحث قرار می گیرد.

کلیدواژه ها:

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