کاربرد تحلیل داده های آموزشی در شناسایی زودهنگام دانش آموزان در معرض آسیب روانی

آسیب های روانی در میان دانش آموزان، از جمله چالش های جدی نظام های آموزشی است که تشخیص دیرهنگام آن ها، پیامدهای جبران ناپذیری به همراه دارد. این مقاله با رویکرد توصیفی-تحلیلی به بررسی کاربرد تحلیل داده های آموزشی (Learning Analytics) در شناسایی زودهنگام دانش آموزان در معرض آسیب روانی می پردازد. یافته های پژوهش نشان می دهد که تحلیل داده های آموزشی با بهره گیری از الگوریتم های داده کاوی و یادگیری ماشین، قادر است الگوهای رفتاری پنهان در داده های تحصیلی، حضور و غیاب، و تعاملات دانش آموزان با سامانه های مدیریت یادگیری را شناسایی کرده و نشانه های اولیه ی افت تحصیلی، فرسودگی، اضطراب و افسردگی را با دقت بالایی پیش بینی کند. مدل های ترکیبی مانند جنگل تصادفی و ماشین بردار پشتیبان با استفاده از داده های چندمنبعی (سوابق تحصیلی، فعالیت در LMS، و پرسشنامه های روان سنجی) توانسته اند دانش آموزان در معرض خطر فرسودگی تحصیلی را با دقت بالایی شناسایی کنند. همچنین، تحلیل الگوهای زمانی فعالیت های آنلاین و رفتارهای تعاملی می تواند نشانه های پنهان آسیب روانی را آشکار سازد. با این حال، چالش هایی مانند نگرانی های اخلاقی و حریم خصوصی، تفسیرپذیری پایین مدل ها و کمبود ظرفیت نهادی برای مداخله، موانعی جدی در مسیر پیاده سازی این رویکرد به شمار می آیند. مقاله با تاکید بر ضرورت طراحی نظام های هشدار اولیه با رویکرد «ارتقای به زیستی» به جای «مدل نقص محور»، پیشنهادهایی برای پیاده سازی این رویکرد در نظام آموزشی ایران ارائه می دهد.

کلیدواژه ها:

واژگان کلیدی: تحلیل داده های آموزشی ، آسیب روانی ، شناسایی زودهنگام ، داده کاوی آموزشی ، یادگیری ماشین ، فرسودگی تحصیلی.