تحول فرهنگ عمومی در عصر شبکه های اجتماعی و الگوریتم های دیجیتال

این پژوهش به بررسی ضرورت ادغام داده های کمی (نمرات، حضور، شاخص های رفتاری) و داده های کیفی (مصاحبه، نظرسنجی های باز) در سامانه های هوش مصنوعی آموزشی می پردازد. با بهره گیری از رویکرد ترکیبی (Mixed-Methods) و به کارگیری مدل های یادگیری عمیق ترکیبی شامل شبکه های عصبی گرافی و پردازش زبان طبیعی، چارچوبی یکپارچه برای جمع آوری، هم زمان سازی و تجزیه وتحلیل داده ها طراحی شد. نتایج حاکی از ارتقای قابل توجه دقت پیش بینی نتایج تحصیلی (افزایش AUC از ۰.۷۸ به ۰.۸۶) و بهبود شفافیت مدل ها از طریق ارائه توضیحات مبتنی بر محتواهای کیفی است. این یافته ها نشان می دهد که ترکیب داده های چندمنظوره نه تنها کارایی پیش بینی را بالا می برد، بلکه پذیرش کاربران نهایی و عدالت آموزشی را نیز تقویت می کند.

کلیدواژه ها:

ادغام داده های کمی و کیفی ، هوش مصنوعی آموزشی ، یادگیری عمیق ترکیبی ، مدل سازی معادلات ساختاری ، شفافیت مدل ، عدالت آموزشی