تحلیل داده های آموزشی با الگوریتم های یادگیری ماشین برای پیش بینی خطر افت تحصیلی و مداخله به موقع در مدارس متوسطه و ابتدایی

افت تحصیلی، یکی از پیچیده ترین و پرهزینه ترین معضلات نظام های آموزشی است که نه تنها سرنوشت تحصیلی و شغلی دانش آموزان را تحت تاثیر قرار می دهد، بلکه هزینه های اجتماعی و اقتصادی سنگینی بر جوامع تحمیل می کند. در سال های اخیر، با رشد چشمگیر داده های آموزشی و پیشرفت الگوریتم های یادگیری ماشین، امکان شناسایی زودهنگام دانش آموزان در معرض خطر افت تحصیلی و اجرای مداخلات به موقع فراهم شده است. این پژوهش با هدف تحلیل داده های آموزشی با الگوریتم های یادگیری ماشین برای پیش بینی خطر افت تحصیلی و مداخله به موقع در مدارس متوسطه و ابتدایی انجام شد. روش تحقیق از نوع کیفی با رویکرد تحلیل محتوای جهت دار و مرور نظام مند ادبیات پژوهشی بود که بر ۴۷ منبع علمی معتبر از پایگاه های IEEE Xplore، ScienceDirect، Springer، Emerald، و پایگاه های فارسی زبان استوار گردید. یافته ها نشان داد که الگوریتم های یادگیری ماشین — به ویژه جنگل تصادفی، XGBoost، و مدل های ترکیبی یادگیری عمیق — از دقت قابل توجهی در پیش بینی افت تحصیلی برخوردارند. در پژوهش های داخلی، مدل جنگل تصادفی با دقت ۸۵ درصد بهترین عملکرد را در پیش بینی افت تحصیلی داشته و متغیرهای معدل نیم سال قبل، نرخ حضور، و خودکارآمدی به عنوان عوامل کلیدی شناسایی شده اند . در پژوهش های بین المللی، مدل های ترکیبی CNN-LSTM به دقت های بالای ۹۲ تا ۹۶ درصد دست یافته اند . یافته ها همچنین نشان داد که مداخلات آموزشی هدفمند — از جمله آموزش خصوصی، کارگاه های مهارت های مطالعاتی، و مشاوره تحصیلی — بر دانش آموزان در معرض خطر، به افزایش معنادار معدل و کاهش نرخ افت منجر می شود . نتیجه گیری پژوهش حاکی از آن است که ترکیب پیش بینی مبتنی بر یادگیری ماشین با مداخلات آموزشی مبتنی بر شواهد، می تواند به عنوان یک راهبرد موثر برای کاهش افت تحصیلی در مقاطع ابتدایی و متوسطه به کار رود. پیشنهادهای پژوهش بر ضرورت جمع آوری نظام مند داده های آموزشی، آموزش معلمان و مشاوران در استفاده از سیستم های هشدار زودهنگام، و طراحی مدل های بومی متناسب با زمینه آموزشی ایران متمرکز است.

کلیدواژه ها:

یادگیری ماشین ، افت تحصیلی ، پیش بینی زودهنگام ، مداخله آموزشی ، داده کاوی آموزشی ، هشدار زودهنگام