سیستم های هوشمند پیش بینی افت تحصیلی با رویکرد داده محور

افت تحصیلی یکی از چالش های اساسی نظام های آموزشی در سطوح مختلف تحصیلی است که پیامدهای فردی، اجتماعی و اقتصادی گسترده ای به همراه دارد. شناسایی زودهنگام دانش آموزان در معرض افت تحصیلی، همواره از دغدغه های اصلی معلمان، مدیران و سیاست گذاران آموزشی بوده است. با گسترش فناوری های نوین و افزایش حجم داده های آموزشی، استفاده از سیستم های هوشمند داده محور به عنوان راهکاری کارآمد برای پیش بینی و پیشگیری از افت تحصیلی مورد توجه قرار گرفته است.پژوهش حاضر با هدف تبیین نقش سیستم های هوشمند پیش بینی افت تحصیلی و بررسی کارکرد رویکرد داده محور در بهبود تصمیم گیری های آموزشی انجام شده است. این سیستم ها با بهره گیری از هوش مصنوعی، یادگیری ماشین و تحلیل کلان داده ها، قادرند الگوهای پنهان در داده های آموزشی نظیر نمرات درسی، میزان مشارکت کلاسی، حضور و غیاب، وضعیت روانی–اجتماعی و تعاملات یادگیری دانش آموزان را شناسایی کنند. تحلیل این داده ها امکان پیش بینی دقیق تر احتمال افت تحصیلی را فراهم کرده و زمینه مداخله بهنگام و هدفمند را مهیا می سازد.یافته های مطالعات پیشین نشان می دهد که سیستم های هوشمند پیش بینی، علاوه بر افزایش دقت تشخیص دانش آموزان در معرض خطر، موجب کاهش هزینه های آموزشی، بهبود عدالت آموزشی و ارتقای کیفیت یاددهی–یادگیری می شوند. همچنین، این سیستم ها با ارائه گزارش های تحلیلی قابل فهم برای معلمان و مدیران مدارس، نقش موثری در طراحی برنامه های حمایتی، آموزشی و مشاوره ای ایفا می کنند.در عین حال، چالش هایی همچون حفظ حریم خصوصی داده ها، کیفیت داده های ورودی، سوگیری الگوریتم ها و نیاز به توانمندسازی معلمان برای استفاده موثر از این فناوری ها نیز مطرح است. در مجموع، نتایج این پژوهش نشان می دهد که به کارگیری سیستم های هوشمند پیش بینی افت تحصیلی با رویکرد داده محور، می تواند گامی موثر در جهت تحقق آموزش هوشمند، پیشگیرانه و دانش آموزمحور باشد و نقش مهمی در ارتقای عملکرد تحصیلی و کاهش نرخ افت تحصیلی ایفا کند.

کلیدواژه ها:

افت تحصیلی ، سیستم های هوشمند ، تحلیل داده های آموزشی ، هوش مصنوعی ، یادگیری ماشین ، آموزش داده محور