بررسی تاثیر سیستم های مدیریت یادگیری (LMS) مجهز به هوش مصنوعی بر تحلیل پیش دستانه افت تحصیلی دانش آموزان

در سال های اخیر، مدارس و نهادهای آموزشی به طور فزاینده ای به سیستم های مدیریت یادگیری (LMS) برای سازمان دهی محتوا، ارزیابی، تعامل و پایش پیشرفت تحصیلی دانش آموزان متکی شده اند. با این حال، بسیاری از LMSهای متداول عمدتا نقش «ثبت و گزارش» را ایفا می کنند و توان محدودی در پیش بینی زودهنگام افت تحصیلی و ارائه مداخلات هدفمند دارند. افت تحصیلی به عنوان یک پدیده چندعاملی، تحت تاثیر الگوهای حضور و مشارکت، کیفیت تعامل با محتوا، تاخیر در انجام تکالیف، افت روند نمرات، کاهش انگیزش و حتی عوامل زمینه ای قرار می گیرد. ازاین رو، نیاز به راهکارهایی که بتوانند قبل از وقوع افت محسوس، دانش آموزان در معرض خطر را شناسایی کرده و مسیر مداخله را پیشنهاد دهند، به یک اولویت آموزشی تبدیل شده است.در این راستا، ترکیب هوش مصنوعی در LMS با رویکرد تحلیل پیش دستانه (Predictive Analytics) می تواند با بهره گیری از داده های رفتاری و آموزشی، الگوهای پنهان را استخراج کرده و احتمال افت یا ریسک شکست را در بازه های زمانی کوتاه تری پیش بینی کند. با وجود این ظرفیت، پرسش کلیدی آن است که LMS مجهز به هوش مصنوعی تا چه اندازه می تواند دقت پیش بینی را افزایش دهد، زمان هشداردهی را جلو بیندازد و از طریق ارائه بینش های عملیاتی، به کاهش افت تحصیلی کمک کند.