نقش هوش مصنوعی و الگوریتم های یادگیری ماشین در سنجش اختلالات رشدی دانش آموزان: چشم انداز، چالش ها و کاربست های عملی

تشخیص اختلالات رشدی در دانش آموزان از جمله اختلالات یادگیری، نقص توجه و بیش فعالی، اختلالات ارتباطی، و مشکلات اجتماعی–هیجانی یکی از مهم ترین چالش های نظام های آموزشی و مراکز جامع سنجش و مداخلات بهنگام رشدی است. روش های سنتی سنجش، هرچند معتبر و استاندارد هستند، اما به دلیل اتکای بیش از حد به مشاهده های انسانی، پرسش نامه های خودگزارشی و فرایندهای زمان بر ارزیابی فردی، با محدودیت هایی همچون احتمال خطای تشخیصی، نیاز به نیروی متخصص، هزینه های بالا و دشواری اجرای غربالگری های گسترده مواجه اند. در این مقاله، کاربردهای نوین هوش مصنوعی در سنجش اختلالات رشدی دانش آموزان بررسی شده و مدل های مختلف یادگیری ماشین از جمله جنگل تصادفی، گرادیان بوستینگ، شبکه های عصبی عمیق و مدل های زمان محور مانند LSTM از منظر قابلیت تشخیص الگوهای رشدی، پیش بینی پذیری، تفسیرپذیری و کارآمدی عملی تحلیل می شوند. همچنین، نقش فناوری های نوظهور مانند تحلیل خودکار چهره، استخراج ویژگی های حرکتی از ویدئو، و ترکیب داده های تحصیلی با داده های رفتاری در افزایش حساسیت و ویژگی مدل های تشخیصی مورد بررسی قرار گرفته است. نتایج مطالعات مروری نشان می دهد که ترکیب داده های چندسازه ای (multimodal) می تواند دقت تشخیص اختلالات رشدی را به طور قابل توجهی افزایش دهد، به ویژه زمانی که داده ها از محیط های طبیعی مانند کلاس درس یا تعاملات روزمره کودک جمع آوری شوند. به طور کلی، یافته های این مقاله نشان می دهد که هوش مصنوعی و یادگیری ماشین می توانند با ارتقای دقت، سرعت، دسترسی پذیری و مقیاس پذیری سنجش، نقش کلیدی در تحول نظام غربالگری و تشخیص اختلالات رشدی در دانش آموزان ایفا کنند؛ با این حال، استفاده از این فناوری مستلزم طراحی دقیق، نظارت متخصصان بالینی، رعایت اصول اخلاقی و اطمینان از تفسیرپذیری و مسئولیت پذیری الگوریتم ها است. این پژوهش مسیرهای آینده ای را پیشنهاد می کند که بتواند به توسعه سامانه های هوشمند، قابل اعتماد و کارآمد برای مراکز آموزشی و درمانی منجر شود و به تسهیل مداخلات بهنگام و بهبود نتایج رشدی دانش آموزان کمک نماید.

کلیدواژه ها:

هوش مصنوعی ، اختلالات رشدی ، غربالگری ، سنجش