هوش مصنوعی و مدل‌سازی پروفایل یادگیرندگان

با پیشرفت فناوری و گسترش روزافزون سیستم‌های مبتنی بر هوش مصنوعی، حوزه آموزش نیز دستخوش تغییرات شگرفی شده است. یکی از جذاب‌ترین و کاربردی‌ترین کاربردهای هوش مصنوعی در آموزش، مدل‌سازی پروفایل یادگیرندگان است. این فرآیند نه تنها به شخصی‌سازی آموزش کمک می‌کند، بلکه می‌تواند چالش‌های آموزشی مانند افت تحصیلی، ترک تحصیل و ناکارآمدی روش‌های سنتی را به طور چشمگیری کاهش دهد.

چرا مدل‌سازی پروفایل یادگیرندگان مهم است؟

هر یادگیرنده منحصر به فرد است. سبک یادگیری، علایق، نقاط قوت و ضعف هر فرد با دیگری متفاوت است. در سیستم‌های آموزشی سنتی، این تفاوت‌ها اغلب نادیده گرفته می‌شوند و همه یادگیرندگان به یک روش آموزش می‌بینند. اینجاست که هوش مصنوعی و یادگیری ماشین وارد می‌شوند. با استفاده از الگوریتم‌های پیشرفته، می‌توان پروفایل هر یادگیرنده را به دقت تحلیل کرد و بر اساس آن، روش‌های آموزشی شخصی‌سازی شده ارائه داد. مدل‌سازی پروفایل دانشجو متکی بر ارائه پروفایلی است که ویژگی‌های اصلی را ثبت می‌کند و منسجم‌ترین، کامل‌ترین و عملیاتی‌ترین ارائه از یادگیرنده را ارائه می‌دهد (Hamim et al., 2021) [1].

هوش مصنوعی چگونه پروفایل یادگیرندگان را مدل‌سازی می‌کند؟

مدل‌سازی پروفایل یادگیرندگان شامل جمع‌آوری و تحلیل داده‌های مختلفی است که از منابع گوناگونی مانند سوابق تحصیلی، رفتارهای آنلاین، فعالیت‌های کلاسی و حتی شبکه‌های اجتماعی به دست می‌آیند. این داده‌ها شامل اطلاعاتی مانند نمرات، مشارکت در کلاس، زمان صرف شده برای مطالعه، علایق و حتی وضعیت روانی یادگیرندگان می‌شوند. داده‌کاوی آموزشی می‌تواند برای تخمین عملکرد تحصیلی یادگیرندگان با استفاده از روش‌های مختلف و ویژگی‌های مختلف (Mueen et al., 2016) [2] استفاده شود.

الگوریتم‌های یادگیری ماشین مانند درخت تصمیم‌گیری (Decision Tree)، شبکه‌های عصبی (Neural Networks) و ماشین بردار پشتیبان (SVM) این داده‌ها را تحلیل می‌کنند تا الگوهای پنهان را کشف کنند. به عنوان مثال، ممکن است سیستم تشخیص دهد که یادگیرنده‌ای که در درس ریاضی ضعیف است، به دلیل عدم مشارکت در کلاس یا کمبود تمرین با مشکل مواجه شده است. سپس، سیستم می‌تواند محتوای آموزشی مناسب یا تمرین‌های اضافی را به او پیشنهاد دهد. مطالعات نشان داده‌اند که درخت تصمیم‌گیری (DT) یکی از پرکاربردترین و کارآمدترین تکنیک‌ها است (Topîrceanu & Grosseck, 2017) [3]، (Abu, 2016) [4].

کاربردهای مدل‌سازی پروفایل یادگیرندگان

مدل‌سازی پروفایل یادگیرندگان کاربردهای متنوعی دارد:

• سیستم‌های توصیه کننده به ویژگی‌های یادگیرندگان تکیه می‌کنند تا محتوای آموزشی مناسب یا مرتبط‌ترین مسیرهای آموزشی را به آن‌ها پیشنهاد دهند. (Liang et al., 2017) [5]; (Dash et al., 2017) [6].
• پیش‌بینی افت تحصیلی و ترک تحصیل.

سیستم‌های هوش مصنوعی با استفاده از داده‌های تاریخی و رفتارهای یادگیرندگان، می‌توانند یادگیرندگانی را که در معرض خطر افت تحصیلی یا ترک تحصیل هستند، شناسایی کنند. به عنوان یک روش دیگر از رویکرد مبتنی بر کلان داده برای گسترش دوره‌های یادگیری آنلاین برای برآوردن نیازهای یادگیرندگان (Song et al., 2017) [7]، می‌توان با بهینه‌سازی دوره‌های یادگیری آنلاین موارد ترک تحصیل را به حداقل رساند. این پیش‌بینی به معلمان و مدیران مدارس کمک می‌کند تا مداخلات به موقع انجام دهند.

یادگیری تطبیقی

سیستم‌های آموزشی هوشمند می‌توانند محتوای آموزشی را بر اساس سطح دانش و سبک یادگیری هر یادگیرنده تنظیم کنند. E.A Amrieh و همکارانش یک مدل یادگیری تطبیقی جدید ساختند که با سبک‌های یادگیری مربی دانشجو مطابقت دارد و مبتنی بر یادگیری ماشینی است (Abdullah et al., 2017) [8]. به عنوان مثال، اگر مشاهده شود یادگیرنده‌ای در حل مسائل ریاضی مشکل دارد، سیستم می‌تواند ویدیوهای آموزشی ساده‌تر یا تمرین‌های تعاملی بیشتری را به او پیشنهاد دهد.

هدایت تحصیلی و شغلی:

با تحلیل علایق و توانایی‌های یادگیرندگان، سیستم‌های هوش مصنوعی می‌توانند مسیرهای تحصیلی و شغلی مناسب را به آن‌ها پیشنهاد دهند. این کار به یادگیرندگان کمک می‌کند تا تصمیم‌های آگاهانه‌تری برای آینده خود بگیرند.

ارزیابی هوشمند

سیستم‌های هوش مصنوعی می‌توانند آزمون‌های شخصی‌سازی شده ایجاد کنند. این آزمونها نه تنها سطح دانش یادگیرندگان را ارزیابی می‌کنند، بلکه نقاط ضعف آن‌ها را نیز شناسایی می‌کنند. سپس، این سیستم‌ها می‌توانند محتوای آموزشی مناسب برای رفع این نقاط ضعف را پیشنهاد دهند.

منابع

[1] Hamim , T., Benabbou, F., & Sael, N. (2021). Survey of Machine Learning Techniques for Student Profile Modelling. International Journal of Emerging Technologies in Learning (iJET), 16(04), 4–20. https://doi.org/10.3991/ijet.v16i04.18643

[2] King Abdulaziz University, Saudi Arabia, Jeddah, A. Mueen, B. Zafar, and U. Manzoor, ‘Modeling and Predicting Students’ Academic Performance Using Data Mining Techniques’, International Journal of Modern Education and Computer Science, vol. 8, no. 11, pp. 36–42, Nov. 2016, https://doi.org/10.5815/ijmecs.2016.11.05.

[3] A. Topîrceanu and G. Grosseck, ‘Decision tree learning used for the classification of student archetypes in online courses’, Procedia Computer Science, vol. 112, pp. 51–60, 2017, https://doi.org/10.1016/j.procs.2017.08.021.

[4] A. Abu, ‘Educational Data Mining & Students’ Performance Prediction’, International Journal of Advanced Computer Science and Applications, vol. 7, no. 5, 2016, https://doi. org/10.14569/ijacsa.2016.070531.

[5] K. Liang, Y. Zhang, Y. He, Y. Zhou, W. Tan, and X. Li, ‘Online Behavior Analysis-Based Student Profile for Intelligent E-Learning’, Journal of Electrical and Computer Engineering, vol. 2017, pp. 1–7, 2017, https://doi.org/10.1155/2017/9720396.

[6] P. Dash, Department of Computer Science, Christ University, Hosur Road, Bengaluru – 560029, Karnataka, India;, V. Vaidhehi, and Department of Computer Science, Christ University, Hosur Road, Bengaluru – 560029, Karnataka, India;, ‘Enhanced Elective Subject Selection for ICSE School Students using Machine Learning Algorithms’, Indian Journal of Science and Technology, vol. 10, no. 21, pp. 1–10, Feb. 2017, https://doi.org/10. 17485/ijst/2017/v10i21/109551.

[7] J. Song, Y. Zhang, K. Duan, M. Shamim Hossain, and S. M. M. Rahman, ‘TOLA: Topicoriented learning assistance based on cyber-physical system and big data’, Future Generation Computer Systems, vol. 75, pp. 200–205, Oct. 2017, https://doi.org/10.1016/j. future.2016.05.040.

[8] M. Abdullah, A. Y. Bayahya, E. S. Shammakh, K. A. Altuwairqi, and A. A. Alsaadi, ‘A novel adaptive e-learning model matching educator-student learning styles

 based on machine learning’.