حسین ترحمی اردکانی مجله بین‌المللی روان‌شناسی، علوم تربیتی و علوم اجتماعی 1 1 (پاییز) 2026 04 19 Using Artificial Intelligence to Predict Academic Decline in Students استفاده از هوش مصنوعی برای پیش‌بینی افت تحصیلی در دانش‌آموزان 55 67 10.22051/jera.2021.31891.2698 FA سکینه معلم فاطمه معلم هانیه معلم فروغ معلم 2026 04 19 In recent years, remarkable advances in artificial intelligence (AI) and educational data analysis have created new opportunities for identifying and predicting students’ academic difficulties. One of the most significant challenges faced by educational systems is the early detection of students at risk of academic decline. Academic underachievement can lead to long-term consequences such as dropping out of school, decreased learning motivation, limited future career opportunities. Traditional educational assessment methods often fail to accurately & timely identify these students. In this context, AI and machine learning can analyze large volumes of educational data to uncover hidden patterns related to academic performance and provide accurate predictions. The purpose of this study is to examine the application of AI algorithms in predicting students’ academic decline. The educational data analyzed included grades, class attendance, learning participation, demographic characteristics, and behavioral indicators. Several machine learning algorithms—such as decision trees, random forests, support vector machines, and neural networks—used for data analysis. The results showed that machine-learning models reliably identify students at risk of academic decline. Among the models tested, the random forest algorithm provided the highest prediction accuracy. Furthermore, factors such as class attendance, past academic performance, and the level of educational participation recognized as the most influential in predicting academic decline. The findings of this study can assist educational managers and teachers in designing and implementing appropriate interventions by detecting at-risk students early. Overall, the use of artificial intelligence can play a crucial role in improving the quality of educational decision-making and reducing academic underachievement. 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. /downloadfilepdf/68681