پیش بینی دانش آموزان در معرض خطر افت تحصیلی با استفاده از تجزیه و تحلیل یادگیری در سیستم مدیریت یادگیری
پلتفرم های یادگیری آنلاین امروزه در جامعه مدرن رایج شده اند، اما نرخ بالای ترک تحصیل و کاهش عملکرد دانش آموزان همچنان نیازمند توجه بیشتری در چنین محیط های یادگیری آنلاین است. هدف از این تحقیق تسریع در شناسایی دانش آموزان در معرض خطر افت تحصیلی به منظور انجام اقدامات اصلاحی مناسب می باشد. از این رو مدلی را برای دستیابی به این هدف و در نهایت بهبود عملکرد دانشجویان و اساتید ارایه کرده ایم. سپس برای پیش بینی زودهنگام دانش آموزان در معرض خطر افت تحصیلی، از شبکه عصبی حافظه کوتاه مدت (LSTM) و الگوریتم بردار پشتیبانی پرکاربرد برای تحلیل رفتارهای مبتنی بر زمان دانشجویان با استفاده از داده های آموزش الکترونیکی دانشگاه تهران استفاده شده است. سیستم. برای نشان دادن عملکرد بهینه الگوریتم پیش بینی، ما شبکه LSTM را با الگوریتم بردار پشتیبان با معیارهای ارزیابی مختلف مقایسه کردیم. نتایج نشان می دهد که استفاده از شبکه LSTM برای پیش بینی اولیه دانش آموزان در معرض خطر، دقت پیش بینی بالاتری را در مقایسه با الگوریتم ماشین بردار پشتیبان ارایه می کند. در این تحقیق روش ما در پیش بینی عملکرد دانش آموزان با شبکه LSTM به دقت 94 درصد و با الگوریتم ماشین بردار پشتیبان به دقت 88 درصد دست یافته است. علاوه بر این، مساحت زیر منحنی (AUC) با استفاده از الگوریتم LSTM و ماشین بردار پشتیبان به ترتیب 0.936 و 0.882 بود. بنابراین با توجه به نتایج بدست آمده می توان دریافت که الگوریتم پیشنهادی ما سهم مهم و موثری در بهبود عملکرد نهایی معلمان و دانش آموزان در طول دوره دارد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.