تحلیل داده های آموزشی با هوش مصنوعی برای شناسایی دانش آموزان در معرض خطر

با گسترش روزافزون فناوری اطلاعات در مدارس، حجم عظیمی از داده های آموزشی تولید می شود که پتانسیل نهفته ای برای بهبود فرآیندهای یاددهی-یادگیری دارند. یکی از چالش های اصلی نظام های آموزشی، پیشگیری از افت تحصیلی و ترک تحصیل دانش آموزان است که می تواند پیامدهای اجتماعی و اقتصادی سنگینی به همراه داشته باشد. این پژوهش با هدف طراحی و پیاده سازی یک سیستم هوشمند مبتنی بر یادگیری ماشین برای شناسایی زودهنگام دانش آموزان در معرض خطر انجام شده است. روش تحقیق حاضر از نوع توصیفی-تحلیلی و کاربردی است. جامعه آماری پژوهش شامل تمامی دانش آموزان [مثلا: مقطع متوسطه اول] در منطقه [نام منطقه] بود که با استفاده از روش نمونه گیری تصادفی، [تعداد] نفر انتخاب شدند.داده های مورد نیاز شامل متغیرهای متعددی نظیر سوابق تحصیلی، نمرات تکالیف و آزمون های ماهانه، میزان حضور و غیاب، تعامل در کلاس های درس و همچنین شاخص های رفتاری بود. پس از پاک سازی و پیش پردازش داده ها، از الگوریتم های متنوع یادگیری ماشین شامل [نام الگوریتم ها، مثلا: ماشین بردار پشتیبان، درخت تصمیم و شبکه های عصبی] برای مدل سازی استفاده شد. ارزیابی عملکرد مدل ها با استفاده از معیارهای دقت (Accuracy)، حساسیت (Recall) و دقت (Precision) انجام پذیرفت. نتایج حاصل از تحلیل نشان داد که عواملی همچون «نرخ غیبت»، «میانگین نمرات در دو ماه اخیر» و «مشارکت در فعالیت های کلاسی» بیشترین تاثیر را در پیش بینی وضعیت دانش آموز دارند.همچنین، مدل پیشنهادی توانست با دقتی بالغ بر [درصد] درصد، دانش آموزان در معرض خطر را قبل از وقوع بحران جدی شناسایی کند.

کلیدواژه ها:

تحلیل یادگیری آموزشی ، هوش مصنوعی در آموزش ، دانش آموزان در معرض خطر ، پیش بینی افت تحصیلی ، مداخله آموزشی زودهنگام ، داده کاوی آموزشی.