مرور سیستماتیک بر سیستم های یادگیری سازگارشونده و داده کاوی آموزشی: چالش ها، معماری ها و چشم انداز آینده

تحول دیجیتال در بستر آموزش عالی و افزایش حجم داده های تعاملی، نیازمند گذار از روش های سنتی به سامانه های هوشمند و خودتطبیق است. هدف این پژوهش، مرور سیستماتیک نقش سیستم های یادگیری سازگارشونده و تکنیک های داده کاوی آموزشی در ارتقای کیفیت یادگیری و شخصی سازی مسیرهای تحصیلی دانشجویان است. روش شناسی این تحقیق بر پایه چارچوب مرور سیستماتیک و غربالگری دقیق اسناد علمی معتبر در بازه زمانی پنج سال اخیر استوار است. یافته های حاصل از سنتز داده ها نشان می دهد که پیاده سازی الگوریتم های یادگیری ماشین و تکنیک های داده کاوی، امکان مدل سازی پویای رفتارهای یادگیرنده، شناساگرایی زودهنگام نقاط ضعف شناختی و پیش بینی دقیق افت تحصیلی را با کارایی بالا فراهم می سازد. این سامانه ها با تحلیل لحظه ای تعاملات، محتوا و تمرین های آموزشی را متناسب با نیازهای فردی تنظیم کرده و تعامل یادگیرنده با محیط آموزش را بهبود می بخشند. با این حال، چالش های اساسی نظیر عدم یکپارچگی داده های ورودی، سوگیری های الگوریتمی و ضرورت حفظ حریم خصوصی کاربران، از موانع کلیدی در استقرار کامل این بسترها به شمار می روند. در نتیجه گیری، این مطالعه تاکید می پذیرد که بهره برداری بهینه از فناوری های داده کاوی در سامانه های یادگیری سازگارشونده، مستلزم تدوین پروتکل های جامع حریم خصوصی، طراحی الگوریتم های شفاف و مجهز ساختن بسترهای آموزشی به زیرساخت های یکپارچه داده محور است تا زمینه لازم برای ارتقای بازدهی آموزشی و پایداری سامانه های هوشمند در دانشگاه ها فراهم گردد.

کلیدواژه ها:

داده کاوی آموزشی ، سیستم های یادگیری سازگارشونده ، شخصی سازی آموزش ، تحلیل های یادگیری ، آموزش عالی ، پیش بینی عملکرد تحصیلی