استفاده از یادگیری ماشین برای تحلیل رفتارهای اجتماعی دانش آموزان و پیش بینی نیازهای تربیتی در مدارس هوشمند

پژوهش حاضر با هدف طراحی و پیاده سازی مدل های یادگیری ماشین برای تحلیل رفتارهای اجتماعی دانش آموزان و پیش بینی نیازهای تربیتی آنان در بستر مدارس هوشمند انجام شده است. با توجه به رشد فزاینده فناوری های دیجیتال در مدارس و تولید حجم عظیمی از داده های تعاملی، فرصتی بی سابقه برای بهره گیری از تکنیک های هوش مصنوعی در جهت درک عمیق تر رفتارهای دانش آموزان و ارائه مداخلات تربیتی به موقع و شخصی سازی شده فراهم شده است. این مطالعه با استفاده از روش پژوهش ترکیبی (کمی‑کیفی) و با مشارکت ۴۵۰ دانش آموز مقطع متوسطه اول در سه مدرسه هوشمند شهر مشهد انجام شده است. داده های تعاملی دانش آموزان شامل لاگ های سیستم مدیریت یادگیری، تعاملات در شبکه اجتماعی آموزشی مدرسه، نمرات تحصیلی، و ارزیابی های رفتاری معلمان جمع آوری و با استفاده از الگوریتم های یادگیری ماشین از جمله رگرسیون لجستیک، جنگل تصادفی، ماشین بردار پشتیبان و شبکه های عصبی عمیق تحلیل شدند. یافته های پژوهش در قالب چهار جدول شامل عملکرد مدل های مختلف در پیش بینی رفتارهای اجتماعی، مهمترین ویژگی های پیش بین، خوشه بندی دانش آموزان بر اساس الگوهای رفتاری، و نتایج تحلیل کیفی مصاحبه با معلمان ارائه شده است. نتایج نشان می دهد که مدل جنگل تصادفی با دقت ۸۷/۲ درصد، بالاترین عملکرد را در پیش بینی رفتارهای اجتماعی دانش آموزان (شامل مشارکت اجتماعی، همکاری، مسئولیت پذیری و تعامل مثبت با همسالان) داشته است. مهمترین ویژگی های پیش بین شامل تعداد تعاملات روزانه در شبکه اجتماعی مدرسه، زمان صرف شده در فعالیت های گروهی آنلاین، الگوی حضور و غیاب، و نمرات فعالیت های مشارکتی بودند. همچنین تحلیل خوشه بندی، چهار الگوی رفتاری متمایز را در دانش آموزان شناسایی کرد: «پیشروان اجتماعی»، «تعامل گران سازنده»، «منزویان آموزشی» و «نیازمند مداخله». بحث مقاله بر قابلیت های یادگیری ماشین در تشخیص زودهنگام دانش آموزان در معرض خطر، شخصی سازی مداخلات تربیتی، و طراحی مدارس هوشمند با رویکردی انسان‑محور تاکید دارد.

کلیدواژه ها:

یادگیری ماشین ، تحلیل رفتارهای اجتماعی ، پیش بینی نیازهای تربیتی ، مدارس هوشمند ، مداخله به موقع ، آموزش