تحلیل تأثیر استفاده از شبکههای عصبی مصنوعی در پیشبینی موفقیت تحصیلی دانشآموزان
کلمات کلیدی:
شبکههای عصبی مصنوعی, پیشبینی موفقیت تحصیلی, دادهکاوی آموزشی, یادگیری عمیق, تحلیل پیشبینیچکیده
استفاده از شبکههای عصبی مصنوعی (ANN) در تحقیقات آموزشی، به ویژه در پیشبینی موفقیت تحصیلی دانشآموزان، به طور فزایندهای رایج شده است. این مقاله به بررسی جامع و تحلیل توصیفی مطالعاتی که در زمینه کاربرد شبکههای عصبی مصنوعی در پیشبینی نتایج آموزشی انجام شدهاند، میپردازد. مرور مقالات شامل تکامل تاریخی شبکههای عصبی مصنوعی، کاربردهای آنها در آموزش، و به طور خاص استفاده از آنها در پیشبینی موفقیت تحصیلی است. تحلیل مطالعات مختلف نشان میدهد که شبکههای عصبی مصنوعی به دلیل توانایی در پردازش دادههای پیچیده و چندبعدی، نسبت به روشهای سنتی پیشبینی عملکرد بهتری دارند. نتایج نشان میدهد که شبکههای عصبی مصنوعی میتوانند با تحلیل طیف گستردهای از متغیرها، از جمله مشارکت در فعالیتهای کلاسی، سوابق تحصیلی گذشته و عوامل دموگرافیک، عملکرد تحصیلی دانشآموزان را با دقت بالایی پیشبینی کنند. علیرغم پتانسیل بالای شبکههای عصبی، اجرای آنها با چالشهایی مانند نیاز به دادههای بزرگ و با کیفیت و پیچیدگیهای مربوط به تفسیر نتایج مواجه است. این مطالعه به روندهای کنونی، الگوهای مشترک و محدودیتهای استفاده از شبکههای عصبی مصنوعی برای اهداف آموزشی پرداخته و با ارائه پیشنهاداتی برای تحقیقات آینده، بر ضرورت بررسی بیشتر مدلهای یادگیری عمیق و بهبود قابلیت تفسیر نتایج شبکههای عصبی تأکید میکند. یافتههای این مطالعه میتواند به طور عملی در محیطهای آموزشی برای بهبود پیشبینی عملکرد دانشآموزان، حمایت از تصمیمگیری در سیاستگذاری آموزشی و در نهایت ارتقاء کیفیت آموزش مورد استفاده قرار گیرد.
دانلودها
مراجع
صالح ی، ح،. عباسپور، م،. و شکوری، ز. )1۳98(. بررس ی نقش عوامل انگیزشی و حمایت خانوادگ ی در موفقیت تحصی ل ی
دانش آموزان با استفاده از شبکه های عصب ی مصنوع ی. مجله علمی- پژوهشی علوم تربیت ی و روانشناسی دانشگاه شهی د چمران اهواز,
.85-74 ,)2(16
حسینی، م،. رضا یی ، س،. و افشاری، م. )1۳97(. مقایسه کارایی شبکههای عصب ی مصنوعی با روشهای سنت ی در پی ش بینی
موفقیت تحصیل ی. مجله علمی - پژوهش ی دانشگاه فردوسی مشهد
Alkhalaf, S., Drew, S., & Alhussain, T. (2012). Assessing the impact of e-learning
systems on learners: A survey study in the KSA. Procedia-Social and Behavioral Sciences,
, 98-104.
Baker, R. S., Corbett, A. T., & Aleven, V. (2010). Improving contextual models of
guessing and slipping with a Truncated Guess History model. Educational Data Mining
.
Chen, H., Liu, L., & Wang, Y. (2021). Predicting students' academic performance
using artificial neural networks: A review. Journal of Educational Data Mining, 13(2), 112-
.
Costa, E. M., Fonseca, B., & Pereira, A. A. (2017). The application of artificial
neural networks to educational data mining. International Journal of Information
Management, 37(3), 98-104 .
Jiang, Y., Zhai, X., & Zhang, Y. (2020). The impact of student engagement on
learning outcomes in blended learning environments. Educational Technology & Society,
(3), 1-15 .
Kabakchieva, D. (2013). Predicting student performance by using data mining
methods for classification. Cybernetics and Information Technologies, 13(1), 61-72 .
Kotsiantis, S. B., Pierrakeas, C., & Pintelas, P. (2004). Predicting students'
performance in distance learning using machine learning techniques. Applied Artificial
Intelligence, 18(5), 411-426 .
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-
.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in
nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133 .
Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage
and organization in the brain. Psychological review, 65(6), 386 .
Samek, W., Wiegand, T., & Müller, K. R. (2017). Explainable artificial intelligence:
Understanding, visualizing and interpreting deep learning models. arXiv preprint
arXiv:1708.08296