در سال‌های اخیر، پیشرفت‌های چشمگیر در حوزه هوش مصنوعی و تحلیل داده‌های آموزشی فرصت‌های جدیدی برای شناسایی و پیش‌بینی مشکلات تحصیلی دانش‌آموزان فراهم کرده است. یکی از مهم‌ترین چالش‌های نظام‌های آموزشی، شناسایی زودهنگام دانش‌آموزانی است که در معرض افت تحصیلی قرار دارند. افت تحصیلی می‌تواند پیامدهای بلندمدتی مانند ترک تحصیل، کاهش انگیزه یادگیری و محدود شدن فرصت‌های شغلی در آینده داشته باشد. استفاده از روش‌های سنتی ارزیابی آموزشی اغلب قادر به شناسایی دقیق و به‌موقع این دانش‌آموزان نیست. در این راستا، هوش مصنوعی و یادگیری ماشین می‌توانند با تحلیل حجم وسیعی از داده‌های آموزشی، الگوهای پنهان مرتبط با عملکرد تحصیلی را شناسایی کرده و پیش‌بینی‌های دقیقی ارائه دهند. هدف این پژوهش بررسی کاربرد الگوریتم‌های هوش مصنوعی در پیش‌بینی افت تحصیلی دانش‌آموزان است. در این مطالعه، داده‌های آموزشی شامل نمرات درسی، میزان حضور در کلاس، مشارکت آموزشی، ویژگی‌های جمعیت‌شناختی و شاخص‌های رفتاری مورد تحلیل قرار گرفته است. برای تحلیل داده‌ها از چندین الگوریتم یادگیری ماشین از جمله درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان و شبکه‌های عصبی استفاده شد. نتایج نشان داد که مدل‌های مبتنی بر یادگیری ماشین قادرند با دقت قابل توجهی دانش‌آموزان در معرض افت تحصیلی را شناسایی کنند. یافته‌های پژوهش نشان می‌دهد که الگوریتم جنگل تصادفی بیشترین دقت پیش‌بینی را در میان مدل‌های مورد بررسی داشته است. همچنین متغیرهایی مانند میزان حضور در کلاس، عملکرد تحصیلی گذشته و سطح مشارکت آموزشی از مهم‌ترین عوامل مؤثر در پیش‌بینی افت تحصیلی شناخته شدند. نتایج این پژوهش می‌تواند‌آ مدیران آموزشی و معلمان کمک کند تا با شناسایی زودهنگام دانش‌آموزان در معرض خطر، مداخلات آموزشی مناسب را طراحی و اجرا کنند. در مجموع، استفاده از هوش مصنوعی می‌تواند نقش مهمی در بهبود کیفیت تصمیم‌گیری‌های آموزشی و کاهش افت تحصیلی ایفا کند.

هوش مصنوعی افت تحصیلی یادگیری ماشین تحلیل داده‌های آموزشی پیش‌بینی عملکرد تحصیلی