شناسایی نیازهای آموزشی معلمان با استفاده از شبکه عصبی مصنوعی

این پژوهش با هدف شناسایی و طبقه بندی نیازهای آموزشی معلمان با استفاده از مدل شبکه عصبی پرسپترون چندلایه انجام شده است. در بسیاری از نظام های آموزشی نیازسنجی آموزشی معلمان همچنان بر اساس روش های سنتی مبتنی بر پرسشنامه و تحلیل های توصیفی است. در حالی که تحولات اخیر در حوزه تحلیل داده و هوش مصنوعی امکان استفاده از روش های دقیق تر سریع تر و مبتنی بر الگوهای پنهان را فراهم ساخته است. در این پژوهش داده های مورد نیاز از طریق پرسشنامه ای شامل اطلاعات سوابق حرفه ای، سابقه شرکت در دوره های ضمن خدمت، دانش تربیتی، شایستگی حرفه ای و توانایی مدیریت کلاس گردآوری شده است. نیازهای آموزشی معلمان به چهار کلاس کم، متوسط، زیاد و بسیار زیاد در نظر گرفته می شود. مدل پیشنهادی شامل پنج پارامتر ورودی متناسب با ویژگی های پردازش شده، دو لایه پنهان با توابع فعال سازی ReLU و یک لایه خروجی متناظر با تابع Softmax است. اعتبارسنجی مدل با استفاده از روش اعتبارسنجی متقاطع ۵ تایی انجام می گیرد. نتایج این پژوهش نشان می دهد که مدل پرسپترون چندلایه پیشنهادی می تواند با دقت ۸۷ درصد، نیازهای آموزشی معلمان را پیش بینی و طبقه بندی کند و از این طریق به بهینه سازی برنامه های توانمندسازی حرفه ای، تخصیص هدفمند منابع آموزشی و تصمیم گیری مبتنی بر شواهد در نظام آموزشی کمک نماید.

کلیدواژه ها:

شبکه عصبی مصنوعی ، آموزش معلمان ، شناسایی ، پرسپترون چندلایه