مدل سازی شناختی و شناسایی الگوهای یادگیری پویا با رویکرد یادگیری ماشینی و تحلیل داده های آموزشی

در دهه های اخیر، تحولات پرشتاب در فناوری های آموزشی و ظهور هوش مصنوعی به ویژه یادگیری ماشینی، موجب تغییرات بنیادینی در درک و تحلیل فرایند یادگیری انسان شده است. پژوهشگران آموزشی با اتکا بر داده های حجیم حاصل از محیط های یادگیری دیجیتال، به این نتیجه رسیده اند که یادگیری انسان نه یک روند ایستا بلکه فرایندی پویا، چندلایه و متاثر از زمینه های شناختی، هیجانی و اجتماعی است. در این میان، مدل سازی شناختی و شناسایی الگوهای یادگیری پویا با بهره گیری از یادگیری ماشینی و تحلیل داده های آموزشی، به یکی از پرچالش ترین و در عین حال نوآورانه ترین عرصه های پژوهش آموزشی تبدیل شده است. هدف این مقاله مروری، بررسی جامع نظریه ها، مدل ها، و رویکردهای تحلیلی است که به شناسایی الگوهای پنهان در رفتار یادگیرندگان، پیش بینی عملکرد تحصیلی و شخصی سازی مسیر یادگیری کمک می کنند. روش های نوینی همچون شبکه های عصبی عمیق، درخت های تصمیم، مدل های مارکوف پنهان، و الگوریتم های خوشه بندی غیرنظارتی، توانسته اند سازوکارهای پیچیده شناختی دانش آموزان را در مواجهه با مفاهیم دشوار و مراحل تصمیم گیری یادگیری آشکار سازند. یافته های این حوزه نشان می دهد که ترکیب یادگیری ماشینی با تحلیل داده های شناختی، نه تنها منجر به فهم دقیق تر از سبک های یادگیری پویا می شود، بلکه امکان طراحی محیط های آموزشی تطبیقی، هوشمند و پیش بین را نیز فراهم می آورد. در نهایت، این مقاله با هدف ترسیم تصویری جامع از پژوهش های معاصر، ضمن مرور مطالعات کلیدی و مدل های نوین، پیشنهادهایی برای مسیرهای آینده پژوهش در حوزه مدل سازی شناختی و یادگیری پویا ارائه می دهد.

کلیدواژه ها:

یادگیری ماشینی ، مدل سازی شناختی ، تحلیل داده های آموزشی ، سبک های یادگیری پویا ، یادگیری تطبیقی ، داده کاوی آموزشی ، هوش مصنوعی در آموزش.