تحلیل پیش بینانه الگوهای یادگیری دانش آموزان با استفاده از یادگیری عمیق و داده های چندوجهی برای طراحی سیستم های آموزشی هوشمند آینده نگر

تحول سریع هوش مصنوعی افق های جدیدی را برای دگرگونی نظام های آموزشی گشوده است. رویکردهای سنتی یکسانی که برای پاسخگویی به نیازهای متنوع یادگیرندگان کافی نیستند این پژوهش با هدف توسعه و تایید یک چارچوب نوین برای سیستم های آموزشی پیش بینی کننده و شخصی سازی شده با استفاده از یادگیری عمیق، تمرکز دارد. این چارچوب بر تحلیل داده های چندوجهی دانش آموزان رفتاری، شناختی و عاطفی برای پیش بینی الگوهای یادگیری و بهینه سازی مسیرهای آموزشی استوار است. در این پژوهش از رویکرد آمیخته استفاده شد که ترکیبی از مصاحبه های کیفی با متخصصان آموزش و تحلیل کمی داده های دانش آموزان بود. مدل های یادگیری عمیق به ویژه شبکه های عصبی کانولوشنی (CNN) و شبکه های عصبی بازگشتی (RNN)، توسعه یافته و بر روی مجموعه داده ای شامل اطلاعات رفتاری، شناختی و عاطفی ۲۰۰ دانش آموز آموزش داده شدند. این مدل ها برای پیش بینی مسیرهای یادگیری فردی و شناسایی دانش آموزان در معرض خطر طراحی شدند. نتایج نشان داد که مدل های پیشنهادی یادگیری عمیق به دقتی برابر در شناسایی الگوهای یادگیری دست یافتند. پیاده سازی این سیستم های پیش بینی کننده منجر به کاهش قابل توجه ۱۰% تا ۳۰% مشکلات یادگیری و بهبود نرخ موفقیت آکادمیک گردید. تحلیل تایید کرد که ادغام داده های چندوجهی دقت تحلیل های آموزشی را به طور قابل توجهی در مقایسه با رویکردهای تک وجهی افزایش می دهد. این پژوهش پیشرفت قابل توجهی در زمینه فناوری آموزشی ارائه می دهد با حرکت از پشتیبانی آموزشی واکنشی به پیشگیرانه. یافته ها یک نقشه راه عملی برای ایجاد سیستم های آموزش خصوصی هوشمند که واقعا متمرکز بر دانش آموز هستند، ارائه می دهند. این مطالعه به بنیان نظری تحلیل های یادگیری پیش بینی کننده کمک کرده و بینش های ارزشمندی برای سیاست گذاران، مربیان و توسعه دهندگان فناوری آموزشی فراهم می کند. این پژوهش پتانسیل هوش مصنوعی برای انقلابی کردن آموزش را برجسته می سازد و مسیری برای محیط های یادگیری موثرتر، منصفانه تر و آینده نگر هموار می کند.

کلیدواژه ها:

یادگیری عمیق ، یادگیری شخصی سازی شده ، تحلیل پیش بینی ، سیستم های آموزشی هوشمند ، Convolutional Neural Network ، Recurrent Neural Network