نقش تحلیل گر هوش مصنوعی در شناسایی به موقع دانش آموزان مضطرب جهت پیشگیری از افت تحصیلی مزمن

پژوهش حاضر با هدف طراحی و اعتبارسنجی یک تحلیل گر هوش مصنوعی برای شناسایی به موقع دانش آموزان مضطرب و پیشگیری از افت تحصیلی مزمن انجام شده است. برای این منظور از رویکرد ترکیبی (کیفی-کمی) با جامعه آماری شامل ۳۴۲ دانش آموز مقطع متوسطه دوم در سه دبیرستان شهر تهران استفاده شد که به صورت خوشه ای چندمرحله ای انتخاب گردیدند. روند پژوهش در چهار فاز طراحی، پیاده سازی، اعتبارسنجی و ارزیابی تاثیر بالینی انجام گرفت و داده ها از سه منبع اصلی شامل سامانه مدیریت یادگیری (LMS)، نمرات مستمر و پرسشنامه اضطراب بک (BAI) جمع آوری شد. مدل تحلیل مطالب مبتنی بر الگوریتم جنگل تصادفی و شبکه عصبی ساده با معماری دو لایه مخفی طراحی گردید که هشت متغیر پیش بینی کننده شامل روند نمرات، الگوی تحویل تکلیف، غیبت، زمان مطالعه، تاخیر در ارسال، تعامل در کلاس مجازی، تعداد حذف تکلیف و خوداظهاری هیجانی را پردازش می کرد. نتایج نشان داد که تحلیل گر هوش مصنوعی قادر است دانش آموزان در معرض ریسک افت تحصیلی ناشی از اضطراب را به طور متوسط ۴٫۲ هفته زودتر از روش سنتی مشاهده معلم شناسایی کند. دقت مدل با ضریب ۸۷٫۳ درصد و حساسیت ۸۳٫۱ درصد با سطح اطمینان ۹۵ درصد تایید شد و مهم ترین پیش بینی کننده ها به ترتیب غیبت پیش رونده، افت نمرات خرد و الگوی تحویل ناقص تکلیف بودند. اجرای پایلوت مداخله زودهنگام مبتنی بر خروجی تحلیل گر نشان داد که ۶۴ درصد از دانش آموزان شناسایی شده پس از سه هفته حمایت هدفمند، روند بهبود معناداری در نمرات و حضور داشتند و تنها ۱۲ درصد به افت مزمن رسیدند. همچنین نرخ مثبت کاذب مدل با ۹٫۴ درصد در حد قابل قبولی بود و سوگیری جنسیتی یا پایه تحصیلی مشاهده نشد. در مجموع می توان نتیجه گرفت که تحلیل گر هوش مصنوعی با پایش پیوسته و کم هزینه می تواند نقش موثری در شناسایی زودهنگام اضطراب تحصیلی و پیشگیری از افت مزمن داشته باشد و برای نهادینه سازی آن نیاز به آموزش کادر مدرسه و رعایت حریم خصوصی دانش آموزان ضروری است.

کلیدواژه ها:

تحلیل گر هوش مصنوعی ، اضطراب تحصیلی ، افت تحصیلی مزمن ، شناسایی زودهنگام ، مداخله به موقع