مروری نظام مند بر سیستم های هوشمند ردیابی و پیش بینی پیشرفت تحصیلی: رویکردها، فناوری ها، چالش ها و جهت گیری های آینده

هدف‎: ‎رشد سریع فناوری های هوش مصنوعی، یادگیری ماشین و تحلیل داده های آموزشی، زمینه توسعه سامانه های هوشمند برای پایش و پیش بینی عملکرد تحصیلی را فراهم کرده است. این سامانه ها با تحلیل داده های حاصل از سیستم های مدیریت یادگیری، آزمون های الکترونیکی، تعاملات آموزشی و سوابق تحصیلی، امکان شناسایی زودهنگام دانشجویان و دانش آموزان در معرض افت تحصیلی را فراهم می کنند. هدف این پژوهش، ارائه یک مرور نظام مند از مطالعات انجام شده در حوزه سیستم های هوشمند ردیابی و پیش بینی پیشرفت تحصیلی، بررسی فناوری های مورد استفاده، مقایسه رویکردهای رایج و شناسایی چالش ها و فرصت های پژوهشی این حوزه است‎.‎روش پژوهش‎: ‎این پژوهش از نوع مرور نظام مند بوده و بر اساس دستورالعمل‎ PRISMA ۲۰۲۰ ‎انجام شده است. مطالعات منتشرشده در پایگاه های علمی معتبر شامل‎ Scopus، IEEE Xplore، SpringerLink ‎و‎ Google Scholar ‎پس از اعمال معیارهای ورود و خروج انتخاب شدند. سپس پژوهش های منتخب از نظر نوع الگوریتم، نوع داده های آموزشی، محیط اجرا، شاخص های ارزیابی، مزایا، محدودیت ها و حوزه کاربرد مورد تحلیل و مقایسه قرار گرفتند‎.‎یافته ها‎: ‎بررسی مطالعات نشان داد که الگوریتم هایی مانند‎ Random Forest، Support Vector Machine، XGBoost، شبکه های عصبی عمیق و مدل های مبتنی بر‎ LSTM ‎از پرکاربردترین روش های پیش بینی عملکرد تحصیلی هستند. همچنین استفاده از داده های استخراج شده از سامانه های مدیریت یادگیری، تحلیل یادگیری، داده کاوی آموزشی و مدل های هوش مصنوعی موجب افزایش دقت پیش بینی، بهبود تصمیم گیری آموزشی و شناسایی زودهنگام دانشجویان در معرض خطر شده است. در مقابل، چالش هایی نظیر کیفیت پایین داده ها، سوگیری الگوریتمی، نبود تفسیرپذیری کافی، نگرانی های مربوط به حریم خصوصی و محدودیت های زیرساختی همچنان از مهم ترین موانع توسعه این سامانه ها محسوب می شوند‎.‎نتیجه گیری‎: ‎نتایج این پژوهش نشان می دهد که سیستم های هوشمند پیش بینی پیشرفت تحصیلی می توانند نقش موثری در ارتقای کیفیت آموزش، کاهش افت تحصیلی، شخصی سازی فرآیند یادگیری و افزایش اثربخشی مداخلات آموزشی ایفا کنند. همچنین مشخص شد که توسعه مدل های قابل تفسیر، استفاده از داده های چندمنبعی، رعایت اصول اخلاقی و حفاظت از حریم خصوصی، از مهم ترین مسیرهای آینده پژوهش در این حوزه به شمار می روند. این مطالعه علاوه بر مرور جامع ادبیات، با ارائه یک تحلیل مقایسه ای از فناوری ها، الگوریتم ها و چالش های موجود، تصویری یکپارچه از وضعیت کنونی و روندهای آینده این حوزه ارائه می کند‎.‎واژگان کلیدی‎: ‎

کلیدواژه ها:

پیش بینی پیشرفت تحصیلی ، تحلیل یادگیری ، داده کاوی آموزشی ، یادگیری ماشین ، یادگیری عمیق ، هوش مصنوعی در آموزش ، سیستم های هوشمند آموزشی ، سیستم مدیریت یادگیری ، تحلیل داده های آموزشی