کاربرد الگوریتم های یادگیری ماشین در ارزیابی هوشمند و سنجش عملکرد تحصیلی دانش آموزان

با گسترش روزافزون فناوری های اطلاعاتی و دیجیتالی شدن فرآیندهای آموزشی، حجم عظیمی از داده های رفتاری و تحصیلی دانش آموزان تولید می شود که با روش های سنتی قابل تحلیل نیست. هدف از این پژوهش مروری، بررسی کاربرد الگوریتم های یادگیری ماشین (Machine Learning) در ارزیابی هوشمند و سنجش عملکرد تحصیلی دانش آموزان است. این مطالعه با هدف واکاوی پتانسیل ها، چالش ها و راهکارهای پیاده سازی این فناوری ها در نظام آموزشی انجام شده است تا گذار از «ارزیابی سنتی» به «ارزیابی هوشمند و پیش بینانه» تبیین گردد. روش این پژوهش از نوع مروری است. یافته ها نشان داد که الگوریتم های یادگیری ماشین، به ویژه روش های ترکیبی مانند «جنگل تصادفی» و شبکه های عصبی عمیق، دقت قابل توجهی (بیش از ۹۰ درصد) در پیش بینی نمرات و شناسایی دانش آموزان در معرض خطر افت تحصیلی دارند. این فناوری ها امکان «شخصی سازی آموزش» را از طریق سیستم های توصیه گر هوشمند فراهم کرده و باعث بهبود ۱۸ تا ۲۰ درصدی عملکرد یادگیرندگان می شوند. همچنین، استفاده از هوش مصنوعی تفسیرپذیر (XAI) و داشبوردهای تحلیلی، اعتماد معلمان به سیستم ها را افزایش داده و بار شناختی آن ها را تا ۶۰ درصد کاهش می دهد. با این حال، یافته ها چالش های جدی مربوط به «حریم خصوصی داده ها»، «سوگیری الگوریتمی» (Algorithmic Bias) و «عدم شفافیت مدل های جعبه سیاه» را نیز آشکار ساختند. پژوهش نشان می دهد که بدون مدیریت فعال این سوگیری ها و رعایت اصول اخلاقی، هوش مصنوعی ممکن است نابرابری های آموزشی را تقویت کند. الگوریتم های یادگیری ماشین پتانسیل تحول آفرینی در ارزیابی آموزشی را دارند، اما موفقیت در پیاده سازی آن ها منوط به رویکردی چندبعدی است. ارزیابی هوشمند نباید صرفا بر دقت فنی متمرکز باشد، بلکه باید تعادلی میان کارایی الگوریتم، شفافیت تفسیری، عدالت آموزشی و نقش محوری معلم برقرار کند. پیشنهاد می شود نظام های آموزشی با توسعه چارچوب های اخلاقی بومی، آموزش سواد دیجیتال به معلمان و استفاده از الگوریتم های قابل تفسیر، بستری امن و عادلانه برای بهره گیری از این فناوری ها فراهم آورند. این پژوهش تاکید دارد که هوش مصنوعی باید به عنوان «مکمل هوش انسانی» و نه جایگزین آن در فرآیند یادگیری و ارزیابی مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری ماشین ، ارزیابی هوشمند ، سنجش عملکرد تحصیلی ، داده های کلان آموزشی ، شخصی سازی یادگیری ، هوش مصنوعی قابل تفسیر (XAI) ، عدالت الگوریتمی