پیش بینی افت تحصیلی دانش آموزان بر اساس الگوهای رفتاری در سامانه آموزش مجازی با استفاده از الگوریتم های یادگیری ماشین

پژوهش حاضر با هدف پیش بینی افت تحصیلی دانش آموزان بر اساس الگوهای رفتاری آن ها در سامانه آموزش مجازی با استفاده از الگوریتم های یادگیری ماشین انجام شد. این مطالعه از نظر هدف، کاربردی و از نظر روش، توصیفی-تحلیلی با رویکرد داده کاوی بود. جامعه آماری شامل کلیه دانش آموزان پایه دهم مدارس متوسطه دوم شهر تهران در سال تحصیلی ۱۴۰۴-۱۴۰۳ بود که از سامانه آموزش مجازی مدرسه یاب (سامانه یکپارچه آموزش مجازی وزارت آموزش و پرورش) استفاده می کردند. داده های رفتاری ۱۲۵۰ دانش آموز شامل تعداد دفعات ورود به سامانه، مدت زمان حضور در سامانه، تعداد بازدید از محتوای آموزشی، تعداد مشارکت در بحث های کلاسی، تعداد ارسال تکالیف، زمان ارسال تکالیف نسبت به موعد مقرر، تعداد تعامل با معلم، تعداد مشاهده فیلم های آموزشی، تعداد دانلود منابع کمک آموزشی، تعداد شرکت در آزمون های آنلاین، میانگین نمرات آزمون های هفتگی، تعداد درخواست راهنمایی، تعداد خطاهای سیستم، تعداد لاگ آوت های ناگهانی، و الگوی زمانی فعالیت (ساعات پیک استفاده) از پایگاه داده سامانه استخراج گردید. همچنین، داده های مربوط به افت تحصیلی (معدل نیمسال دوم در مقایسه با نیمسال اول) از سیستم مدیریت آموزشی مدارس جمع آوری شد. برای تحلیل داده ها از الگوریتم های مختلف یادگیری ماشین از جمله رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی، و گرادیان تقویت شده (XGBoost) استفاده شد. عملکرد مدل ها با استفاده از معیارهای دقت (Accuracy)، صحت (Precision)، بازیابی (Recall)، نمره F۱ (F۱-Score)، و سطح زیر منحنی ROC (AUC-ROC) ارزیابی گردید. یافته ها نشان داد که الگوریتم XGBoost با دقت ۹۲/۴ درصد، صحت ۹۱/۸ درصد، بازیابی ۹۳/۲ درصد، نمره F۱ معادل ۹۲/۵ درصد و AUC-ROC برابر ۹۶/۷ درصد، بهترین عملکرد را در پیش بینی افت تحصیلی داشت و پس از آن به ترتیب جنگل تصادفی (دقت ۸۹/۶ درصد) و شبکه عصبی (دقت ۸۷/۳ درصد) قرار گرفتند. مهم ترین ویژگی های موثر در پیش بینی افت تحصیلی به ترتیب عبارت بودند از: میانگین نمرات آزمون های هفتگی، تعداد مشارکت در بحث های کلاسی، تعداد ارسال تکالیف، مدت زمان حضور در سامانه، و زمان ارسال تکالیف نسبت به موعد مقرر. بر اساس یافته های پژوهش، می توان نتیجه گرفت که الگوریتم های یادگیری ماشین قابلیت بالایی در پیش بینی افت تحصیلی بر اساس الگوهای رفتاری دانش آموزان در سامانه های آموزش مجازی دارند و می توان از آن ها به عنوان ابزاری موثر برای شناسایی زودهنگام دانش آموزان در معرض خطر افت تحصیلی و ارائه مداخلات به موقع استفاده کرد.

کلیدواژه ها:

پیش بینی افت تحصیلی ، الگوهای رفتاری ، سامانه آموزش مجازی ، یادگیری ماشین ، داده کاوی آموزشی ، دانش آموزان متوسطه