ارائه مدل شخصی سازی مسیر یادگیری مبتنی بر شبکه های عمیق برای تطبیق محتوای درسی با سطح شناختی هر دانش آموز

پژوهش حاضر با هدف ارائه مدل شخصی سازی مسیر یادگیری مبتنی بر شبکه های عمیق برای تطبیق محتوای درسی با سطح شناختی هر دانش آموز انجام شده است. در عصر حاضر که فناوری های دیجیتال به سرعت در حال دگرگونی نظام های آموزشی هستند، یکی از چالش های اساسی، ناتوانی رویکردهای سنتی در پاسخگویی به نیازهای متنوع و منحصربه فرد یادگیرندگان است. مدل پیشنهادی این پژوهش با بهره گیری از معماری پیشرفته شبکه های عصبی عمیق، قادر است داده های رفتاری و عملکردی دانش آموزان را در طول زمان تحلیل کرده و با تشخیص دقیق سطح شناختی هر فرد، مسیر یادگیری شخصی سازی شده ای را برای او ترسیم نماید. این مدل از ترکیب روش های یادگیری عمیق شامل شبکه های بازگشتی برای پردازش داده های ترتیبی و مکانیسم های توجه برای وزن دهی به مولفه های کلیدی یادگیری بهره می برد. ارزیابی مدل بر روی داده های واقعی تحصیلی نشان می دهد که رویکرد پیشنهادی در مقایسه با روش های سنتی، دقت بالاتری در پیش بینی عملکرد آینده دانش آموزان داشته و توانسته است رضایت آنان را از فرآیند یادگیری به میزان قابل توجهی افزایش دهد. یافته ها حاکی از آن است که شخصی سازی مسیر یادگیری بر اساس سطح شناختی، نه تنها به بهبود نمرات تحصیلی منجر می شود، بلکه انگیزه درونی دانش آموزان را برای ادامه یادگیری تقویت کرده و از بروز خستگی و دلزدگی تحصیلی جلوگیری می نماید. مدل ارائه شده با قابلیت پیاده سازی در بستر سامانه های آموزش الکترونیکی، می تواند به عنوان یک راهکار عملی برای تحقق عدالت آموزشی و پرورش استعدادهای فردی در نظام های آموزشی مورد استفاده قرار گیرد. این پژوهش گامی موثر در جهت تحول دیجیتال آموزش و حرکت از رویکرد یکسان سازی به سوی رویکرد شخصی سازی در فرآیند یاددهی-یادگیری محسوب می شود.

کلیدواژه ها:

شخصی سازی مسیر یادگیری ، شبکه های عصبی عمیق ، سطح شناختی ، تطبیق محتوای درسی ، یادگیری شخصی سازی شده.