کاربرد الگوریتم های یادگیری ماشین برای شناسایی مشکلات یادگیری در سنین پایه

چکیده مقاله

در دهه های اخیر، هوش مصنوعی و به ویژه زیرشاخه قدرتمند آن یعنی یادگیری ماشین، نقش روزافزونی در حوزه های گوناگون آموزش ایفا کرده اند یکی از مهم ترین کاربردهای این فناوری در نظام تعلیم و تربیت، شناسایی سریع و دقیق مشکلات یادگیری دانش آموزان، به ویژه در سنین پایه دوره ابتدایی است؛ چرا که مداخلات به موقع در این دوره از رشد شناختی، می تواند تاثیرات پایدار و معناداری بر آینده تحصیلی و حتی روان شناختی کودکان داشته باشد پژوهش حاضر با هدف بررسی کاربرد الگوریتم های یادگیری ماشین در شناسایی مشکلات یادگیری در سنین پایه انجام شده است در این راستا، ابتدا مبانی نظری مربوط به یادگیری ماشین، الگوریتم های طبقه بندی، خوشه بندی، شبکه های عصبی مصنوعی و درخت های تصمیم بررسی شد و سپس به تحلیل امکان به کارگیری این الگوریتم ها در زمینه تشخیص اختلالات یادگیری مانند نارساخوانی، نارسانویسی، اختلال تمرکز، کندخوانی، اختلال حافظه کاری و مشکلات پردازش شنیداری پرداخته شد برای انجام این پژوهش، داده هایی شامل اطلاعات عملکرد تحصیلی، نتایج آزمون های شناختی، وضعیت رفتاری، ویژگی های فردی، و سوابق روان سنجی بیش از هزار دانش آموز پایه های اول تا سوم ابتدایی از چند مدرسه منتخب استخراج و پردازش شدند سپس با بهره گیری از الگوریتم هایی چون Random Forest، Support Vector Machine SVM ، KNN و Gradient Boosting، مدل هایی جهت پیش بینی و شناسایی انواع اختلالات یادگیری ایجاد گردید دقت این مدل ها با استفاده از معیارهایی نظیر دقت accuracy ، حساسیت sensitivity ، ویژگی specificity و میانگین F۱ ارزیابی گردید نتایج حاصل از تحلیل داده ها نشان داد که الگوریتم Random Forest با دقتی بالاتر از ۹۲ درصد، در شناسایی اختلالات یادگیری از سایر الگوریتم ها عملکرد بهتری داشت همچنین مشخص شد که ترکیب داده های چندمنظوره شامل نمرات درسی، سرعت پاسخ دهی، پاسخ های عاطفی و حتی تحلیل گفتار، می تواند موجب افزایش چشمگیر دقت مدل های شناسایی شود علاوه بر آن، استفاده از یادگیری عمیق Deep Learning به ویژه در مدل های مبتنی بر شبکه های عصبی، در تشخیص مشکلات پیچیده تر مانند اختلالات دوگانه مثلا همزمانی نارساخوانی و اختلال توجه ، اثربخش تر بوده است از منظر آموزشی، این یافته ها می توانند تحولی بزرگ در روند غربالگری و مداخله زودهنگام در مدارس ابتدایی به همراه داشته باشند با بهره گیری از این فناوری، معلمان و مشاوران آموزشی قادر خواهند بود پیش از آنکه مشکلات یادگیری به بحرانی عمیق در تحصیل و شخصیت کودک تبدیل شود، آن را شناسایی کرده و نسبت به طراحی برنامه های جبرانی فردی اقدام کنند همچنین این فناوری می تواند به عنوان یک ابزار تصمیم یار در کنار تشخیص های انسانی مورد استفاده قرار گیرد تا از بروز خطاهای انسانی و سوگیری های شناختی در فرایند ارزیابی بکاهد در نهایت می توان گفت که استفاده از الگوریتم های یادگیری ماشین در آموزش ابتدایی، نه تنها می تواند موجب صرفه جویی در منابع انسانی و زمانی شود، بلکه با فراهم آوردن بستری علمی و دقیق، مسیر آموزش شخصی سازی شده personalized learning را هموارتر می سازد این پژوهش پیشنهاد می کند که سیاست گذاران حوزه آموزش و پرورش، با سرمایه گذاری بر توسعه و بومی سازی این فناوری ها، زمینه تحول دیجیتال در فرایندهای سنجش و مداخله آموزشی را در کشور فراهم آورند

کلیدواژه‌ها

نویسندگان

هوشنگ سقاری

آموزگار،کارشناسی ارشد مدیریت آموزشی

رافت اعلمی

آموزگار دبیر،کارشناسی ارشد ریاضی کاربردی

سعید سپاهی

هنرآموز،کارشناسی مکانیک خودرو

حسین لطیفی پور

آموزگار،کارشناسی ارشد زبان و ادبیات فارسی

�قاری، هوشنگ و اعلمی، رافت و سپاهی، سعید و لطیفی پور، حسین،1403،کاربرد الگوریتم های یادگیری ماشین برای شناسایی مشکلات یادگیری در سنین پایه،اولین همایش بین المللی تحولات نوین در علوم تربیتی، روانشناسی و آموزش وپرورش،ارومیه

ارائه‌شده در

مجموعه مقالات اولین همایش بین المللی تحولات نوین در علوم تربیتی، روانشناسی و آموزش وپرورش30 دی 1403 · ارومیه