کاربست یادگیری عمیق در تحلیل رفتار دانش آموزان و پیش بینی زودهنگام شکست تحصیلی با رویکردی هوشمند در آموزش

با انفجار داده های آموزشی در محیط های یادگیری الکترونیک، نیاز به روش های نوین برای استخراج الگوهای رفتاری و پیش بینی عملکرد تحصیلی دانش آموزان بیش از پیش احساس می شود. هدف این پژوهش، بررسی کارایی الگوریتم های یادگیری عمیق در تحلیل رفتارهای دیجیتال دانش آموزان و پیش بینی خطر شکست تحصیلی است. این مطالعه با روش توصیفی-مروری و با تحلیل ادبیات موضوع و پژوهش های معتبر داخلی و خارجی انجام شده است. یافته ها نشان می دهد که شبکه های عصبی عمیق و مدل های یادگیری ماشین، با پردازش داده های چندبعدی نظیر زمان مطالعه، تعامل با محتوا و فعالیت در سیستم های مدیریت یادگیری، قادرند با دقتی بالاتر از روش های سنتی و آماری، دانش آموزان در معرض خطر را شناسایی کنند. نتایج حاکی از آن است که این رویکرد امکان مداخله به موقع و شخصی سازی آموزش را فراهم می کند که می تواند نرخ ترک تحصیل را به طور معناداری کاهش دهد.

کلیدواژه ها:

یادگیری عمیق ، پیش بینی شکست تحصیلی ، تحلیل رفتار دانش آموز ، یادگیری ماشین ، آموزش هوشمند