فهرست نشریات علمی دسترسی آزاد ایران

مقاله حاضر با هدف بررسی کاربرد مدل‌های هوش مصنوعی در برنامه‌ریزی آموزشی و پیش‌بینی عملکرد تحصیلی دانشجویان و بهینه‌سازی یادگیری شخصی‌سازی‌شده انجام شده است. مقایسه میان شبکه عصبی مصنوعی و رگرسیون خطی به‌منظور شناسایی مدل بهینه در تحلیل داده‌های آموزشی صورت گرفته است. این پژوهش از نوع کمی و با روش تحقیق تحلیلی-مقایسه‌ای انجام شده است. داده‌های آموزشی از سیستم مدیریت یادگیری  استخراج و برای تحلیل آن‌ها از رگرسیون خطی و شبکه عصبی مصنوعی استفاده شده است. شاخص‌های ضریب تعیین ، میانگین خطای مطلق و  ریشه میانگین مربعات خطا به‌منظور ارزیابی دقت و تعمیم‌پذیری مدل‌ها مورد بررسی قرار گرفته‌اند. یافته‌ها نشان داد که شبکه عصبی (با ضریب تعیین 88/0) در مرحله آزمون، دقت بالاتری نسبت به رگرسیون خطی (با ضریب تعیین 75/0) دارد و توانسته روابط پیچیده بین متغیرهای آموزشی را بهتر شناسایی کند و نشان‌دهنده دقت بیشتر این مدل در پیش‌بینی عملکرد تحصیلی دانشجویان و بهینه‌سازی برنامه‌ریزی آموزشی است. این پژوهش نشان می‌دهد که شبکه‌های عصبی مصنوعی به‌عنوان ابزارهای تحلیلی قدرتمند، توانایی بالایی در بهینه‌سازی فرآیندهای برنامه‌ریزی آموزشی دارند. با این حال، استفاده مؤثر از این مدل‌ها نیازمند داده‌های کافی، تنظیمات بهینه و زیرساخت‌های محاسباتی مناسب است. پیشنهاد می‌شود که دانشگاه‌ها و مؤسسات آموزشی از مدل‌های یادگیری ماشینی در تحلیل کلان داده‌های آموزشی بهره ببرند و سامانه‌های مدیریت یادگیری را با فناوری‌های مبتنی بر هوش مصنوعی تجهیز کنند. همچنین، افزایش آگاهی و آموزش اساتید درباره کاربردهای هوش مصنوعی در برنامه‌ریزی آموزشی و یادگیری شخصی‌سازی‌شده می‌تواند به بهبود کیفیت آموزش و کاهش نرخ افت تحصیلی کمک کند.