همایش ملی مطالعات علوم تربیتی و رهبری آموزش در قرن 21

صفحه اصلی / اولین همایش ملی مطالعات علوم تربیتی و رهبری آموزش در قرن 21

پیش بینی ریسک افت تحصیلی دانش آموزان با استفاده از یادگیری ماشین و تحلیل داده های تعاملی در پلتفرم های آموزشی دیجیتال

نویسندگان :

فائزه اسمعیلی لیما¹ سحر متاجی نیمور² سید کمال ساداتی³ بهنام برزگر⁴

1- دانشگاه آزاد بابل 2- دانشگاه ازاد بابل 3- دانشگاه آزاد بابل 4- دانشگاه آزاد بابل

کلمات کلیدی :

پیش بینی افت تحصیلی،یادگیری ماشین،تحلیل داده آموزشی،پلتفرم های آموزشی دیجیتال

چکیده :

هدف این مطالعه، طراحی و ارزیابی یک سیستم پیش‌بینیکننده ریسک افت تحصیلی دانش‌آموزان دوره متوسطه با استفاده از الگوریتم‌های یادگیری ماشین است. با گسترش پلتفرم‌های آموزشی دیجیتال مانند شبکه آموزشی دانش‌آموزی (شاد)، حجم قابل توجهی از داده‌های تعاملی دانش‌آموزان تولید شده است که می‌تواند برای شناسایی زودهنگام دانش‌آموزان در معرض خطر مورد استفاده قرار گیرد. در این پژوهش، از داده‌های شبیه‌سازی‌شده 2000 دانش‌آموز دوره متوسطه اول شامل ویژگی‌های دموگرافیک، تعاملات دیجیتال، نمرات مستمر و رفتارهای یادگیری استفاده شد. هشت مدل یادگیری ماشین شامل رگرسیون لجستیک، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (Random Forest)، XGBoost، LightGBM، شبکه عصبی مصنوعی (ANN) و دو مدل Ensemble طراحی و آموزش داده شدند. معیارهای ارزیابی شامل دقت (Accuracy)، حساسیت (Sensitivity)، ویژگی (Specificity) و سطح زیر منحنی ROC (AUC) نشان داد که مدل Ensemble ترکیبی از XGBoost و LightGBM با AUC برابر با 0.943 و دقت 91.7٪ بهترین عملکرد را دارد. مهم‌ترین ویژگی‌های پیش‌بینیکننده شامل تعداد غیبت‌های آنلاین، تاخیر در ارسال تکالیف، زمان صرف‌شده در پلتفرم و نمرات مستمر بود. این سیستم می‌تواند به مدیران و معلمان در شناسایی به‌موقع دانش‌آموزان نیازمند کمک و طراحی مداخلات آموزشی شخصی‌شده کمک کند. محدودیت اصلی پژوهش، شبیه‌سازی‌بودن داده‌ها است و پیشنهاد می‌شود در فاز بعدی با داده‌های واقعی از پلتفرم شاد ارزیابی شود.