نقش تشویق و تنبیه در رفتار آموزشی دانش آموزان/

چکیدهاختلال نقص توجه و بیش فعالی (ADHD) یکی از شایع ترین اختلالات عصبی-رشدی است که تشخیص دقیق و بهنگام آن می تواند مسیر زندگی فرد را تغییر دهد. روش های سنتی تشخیص، عمدتا بر پایه مصاحبه های بالینی، پرسش نامه های خودگزارش دهی و مشاهدات رفتاری استوار هستند که ذاتا با سوگیری های ذهنی و خطاهای انسانی همراه اند. با ظهور عصر کلان داده ها و پیشرفت های چشمگیر در حوزه هوش مصنوعی، پارادایم تشخیص به سمت استفاده از نشانگرهای زیستی و رفتاری عینی تغییر جهت داده است. این مقاله به بررسی جامع روش های تشخیص خودکار اختلالات توجه با تمرکز بر پردازش داده های رفتاری نظیر حرکات چشم، ریزحرکات بدن، الگوهای پاسخ دهی در آزمون های عملکرد پیوسته و تحلیل دست خط می پردازد. در این راستا، الگوریتم های یادگیری ماشین و شبکه های عصبی عمیق به عنوان ابزارهای اصلی تحلیل الگوهای پیچیده و غیرخطی معرفی می شوند. هدف اصلی این پژوهش، تبیین چگونگی تبدیل داده های خام رفتاری به بینش های تشخیصی دقیق و کاهش وابستگی به قضاوت های کیفی است. نتایج بررسی ها نشان می دهد که مدل های ترکیبی هوش مصنوعی قادرند با دقتی قابل رقابت با متخصصان بالینی، الگوهای پنهان اختلال را شناسایی کنند.کلیدواژه ها:اختلال نقص توجه و بیش فعالی (ADHD)، هوش مصنوعی، یادگیری ماشین، پردازش داده های رفتاری، آزمون عملکرد پیوسته (CPT)، ردیابی چشم، یادگیری عمیق، تشخیص رایانه یار.