پیش بینی افت تحصیلی دانش آموزان با استفاده از یادگیری ماشین

افت تحصیلی دانش آموزان یکی از چالش های جدی نظام های آموزشی در سطح جهان محسوب می شود که پیامدهای فردی، اجتماعی و اقتصادی قابل توجهی به دنبال دارد. پیش بینی این پدیده می تواند نقش موثری در طراحی راهبردهای پیشگیرانه و ارتقای کیفیت آموزش ایفا کند. در سال های اخیر، با توسعه فناوری های هوش مصنوعی و الگوریتم های یادگیری ماشین، امکان تحلیل داده های آموزشی و شناسایی عوامل موثر بر افت تحصیلی فراهم شده است. این مقاله مروری با هدف بررسی کاربردهای مختلف یادگیری ماشین در پیش بینی افت تحصیلی دانش آموزان تدوین شده است. در این مطالعه، مدل ها و الگوریتم های متداول مانند درخت تصمیم، رگرسیون لجستیک، شبکه های عصبی مصنوعی، ماشین بردار پشتیبان (SVM) و الگوریتم های مبتنی بر یادگیری عمیق مورد تحلیل و مقایسه قرار گرفته اند. همچنین، عوامل کلیدی مرتبط با افت تحصیلی شامل ویژگی های فردی، خانوادگی، اجتماعی و مدرسه ای بررسی شده اند. نتایج نشان می دهد که استفاده از یادگیری ماشین می تواند دقت پیش بینی افت تحصیلی را به طور چشمگیری افزایش دهد و به معلمان و مدیران آموزشی در شناسایی دانش آموزان در معرض خطر و اتخاذ اقدامات پیشگیرانه کمک نماید. با توجه به پیچیدگی داده های آموزشی و تنوع الگوریتم ها، ترکیب چند الگوریتم و بهره گیری از داده های جامع و به روز می تواند اثربخشی پیش بینی را بهبود بخشد. این مقاله همچنین به چالش ها، محدودیت ها و چشم اندازهای آینده پژوهش در حوزه پیش بینی افت تحصیلی با استفاده از یادگیری ماشین می پردازد.

کلیدواژه ها:

پیش بینی افت تحصیلی ، یادگیری ماشین ، الگوریتم های هوش مصنوعی ، داده کاوی آموزشی ، شبکه های عصبی