پیشگویی ترک تحصیل: استفاده از تحلیل داده ها برای نجات دانش آموزان در معرض خطر

ترک تحصیل دانش آموزان یکی از بزرگترین چالش های نظام های آموزشی در سراسر جهان است که پیامدهای جبران ناپذیر فردی، اجتماعی و اقتصادی به همراه دارد. رویکردهای سنتی که اغلب واکنشی و مبتنی بر مداخلات پس از وقوع بحران بودند، در عصر کلان داده ها و هوش مصنوعی جای خود را به مدل های پیشگیرانه و پیش بینانه داده اند. این مقاله به بررسی چگونگی استفاده از داده کاوی آموزشی (Educational Data Mining) و تحلیل یادگیری (Learning Analytics) برای شناسایی زودهنگام دانش آموزان در معرض خطر ترک تحصیل می پردازد. با تمرکز بر متغیرهای دموگرافیک، عملکرد تحصیلی و رفتاری، مدل های الگوریتمی می توانند الگوهای پنهان افت تحصیلی را ماه ها یا سال ها پیش از وقوع حادثه شناسایی کنند. در این نوشتار، ضمن تشریح معماری سیستم های هشدار اولیه (EWS)، به بررسی الگوریتم های یادگیری ماشین مورد استفاده، چالش های اخلاقی نظیر سوگیری الگوریتمی و حریم خصوصی، و نهایتا استراتژی های مداخله ای مبتنی بر داده پرداخته می شود. هدف نهایی، گذار از پارادایم “شکست و درمان” به پارادایم “پیش بینی و پیشگیری” است تا تضمین شود هیچ دانش آموزی در شکاف های سیستم آموزشی ناپدید نمی شود.

کلیدواژه ها:

کلمات کلیدی: ترک تحصیل ، داده کاوی آموزشی ، تحلیل یادگیری ، سیستم هشدار اولیه ، پیش بینی الگوریتمی ، دانش آموزان در معرض خطر.