مدل سازی هوشمند مسیرهای یادگیری برای دانش آموزان با الگوهای نامتقارن پیشرفت

پیشرفت تحصیلی دانش آموزان همواره از الگوی خطی و یکنواخت پیروی نمی کند. مفهوم «الگوهای نامتقارن پیشرفت» به ناهمگونی و نوسانات قابل توجه در سرعت، ترتیب و عمق یادگیری اشاره دارد، به طوری که یک دانش آموز ممکن است در یک حوزه محتوایی با سرعت بالا پیشرفت کند، در حالی که در حوزه ای دیگر با دشواری و تاخیر مواجه شود. این نامتقارنی می تواند ناشی از تفاوت های شناختی، عاطفی، انگیزشی، یا تجربیات پیشین یادگیرنده باشد. مدل های آموزشی سنتی که مسیرهای یادگیری یکسانی را برای همه فراگیران در نظر می گیرند، قادر به پاسخگویی به این پیچیدگی ذاتی نیستند و ممکن است به افزایش شکاف تحصیلی و کاهش بهره وری آموزشی منجر شوند. از این رو، پژوهش حاضر با هدف «مدل سازی هوشمند مسیرهای یادگیری شخصی شده برای دانش آموزان با الگوهای نامتقارن پیشرفت» انجام شده است.این پژوهش با رویکردی کیفی-کمی و با روش طراحی پژوهش محور انجام شده است. در گام نخست، با مرور نظام مند پیشینه، چارچوب نظری مفهوم الگوهای نامتقارن و فناوری های مرتبط شامل یادگیری تطبیقی، تحلیل یادگیری، و سیستم های توصیه گر آموزشی تدوین گردید. در ادامه، یک مدل پیشنهادی چندلایه برای مدل سازی مسیر یادگیری ارائه شده است که از ترکیب روش های مختلف یادگیری ماشین از جمله مدل های بیزی سلسله مراتبی، شبکه های عصبی بازگشتی (RNN)، و تحلیل توالی آموزشی بهره می برد. این مدل قادر است با تحلیل داده های ناهمگون زمانی (مانند نتایج ارزیابی ها، زمان سپری شده بر روی تکالیف، تعامل با محتوا و داده های شناختی-عاطفی) الگوهای نامتقارن پیشرفت را شناسایی و مسیرهای یادگیری بهینه و پویا را پیشنهاد دهد.معماری سیستم پیشنهادی شامل ماژول های جمع آوری داده، پیش پردازش و ذخیره سازی، موتور استنتاج و مدل سازی، و ماژول ارائه توصیه و بازخورد است. ارزیابی مدل بر روی داده های شبیه سازی شده مبتنی بر ویژگی های واقعی دانش آموزان و نیز یک مجموعه داده عمومی انجام شد. نتایج شبیه سازی نشان می دهد مدل پیشنهادی در مقایسه با رویکردهای پایه (مانند سیستم های قانون محور یا فیلترسازی مشارکتی ساده)، قادر است با دقت بالاتری (حدود ۲۲٪ بهبود) الگوهای پیشرفت را پیش بینی کرده و توصیه های مرتبط تری ارائه نماید. کاربرد اصلی این مدل در سامانه های یادگیری الکترونیکی، مدارس هوشمند و محیط های یادگیری ترکیبی است که می تواند به معلمان در درک عمیق تر از مسیر یادگیری هر دانش آموز و ارائه مداخلات آموزشی به موقع کمک شایانی کند. در پایان، چالش های فنی، ملاحظات اخلاقی مربوط به حریم خصوصی داده ها و سوگیری در الگوریتم ها، و جهت های پژوهش آینده مورد بحث قرار گرفته اند.

کلیدواژه ها:

مدل سازی مسیر یادگیری ، پیشرفت نامتقارن ، یادگیری تطبیقی هوشمند ، تحلیل یادگیری ، سیستم توصیه گر آموزشی ، یادگیری ماشین در آموزش ، شخصی سازی آموزش.