نقش سیستم های هوشمند تحلیل یادگیری در شناسایی الگوهای افت تحصیلی دانش آموزان

در عصر حاضر که با پیشرفت های شگرف در حوزه هوش مصنوعی مولد، مانند مدل های زبانی بزرگ (مانند GPT-۴)، تولید تصویر (مانند DALL-E و Midjourney، کدنویسی خودکار مانند GitHub Copilot) و طراحی خلاقانه مواجه هستیم، این ابزارها به عنوان یکی از مهم ترین و تاثیرگذارترین فناوری های قرن بیست و یکم، پتانسیل تحول آفرینی در آموزش مهارت های عملی و خلاقیت هنرجویان رشته های فنی و حرفه ای را دارند .پژوهش حاضر با هدف بررسی نقش سیستم های هوشمند تحلیل یادگیری در شناسایی الگوهای افت تحصیلی دانش آموزان انجام شد. با تحلیل داده های ۶۲۰۰ دانش آموز و استفاده از الگوریتم های یادگیری ماشین (جنگل تصادفی، درخت تصمیم و خوشه بندی)، مشخص شد که این سیستم ها با دقت ۸۹٪ قادر به پیش بینی افت تحصیلی تا ۶ هفته قبل از وقوع هستند. مهم ترین شاخص های پیش بینی کننده شامل کاهش نمرات مستمر، کاهش حضور در کلاس، کاهش تعاملات آنلاین و افزایش زمان عدم فعالیت در سامانه است. همچنین ۵ الگوی اصلی افت تحصیلی شامل افت ناگهانی، تدریجی، دوره ای، ناشی از بی انگیزگی و ناشی از مشکلات خانوادگی شناسایی شد. بر اساس یافته ها، سیستم های هوشمند تحلیل یادگیری ابزاری موثر برای شناسایی به موقع دانش آموزان در معرض خطر و طراحی مداخلات شخصی سازی شده هستند.

کلیدواژه ها:

تحلیل یادگیری ، هوش مصنوعی ، افت تحصیلی ، شناسایی الگو ، داده کاوی آموزشی