Comment utiliser des stratégies d'intelligence artificielle pour atténuer l'insécurité des étudiants

Il y a un certain malaise quant à savoir si les étudiants apprennent et se développent bien, mais il existe peu de chiffres clairs permettant d'identifier les « différences importantes ». Les situations numériques font généralement référence à des situations dans lesquelles il y a une « bonne » ou une « mauvaise » réponse (semblable au bouton marche/arrêt d'un ordinateur portable). Si les données ne sont pas interprétées correctement, certaines procédures statistiques conventionnelles peuvent soutenir l'idée qu'une « différence » peut être trouvée dans une analyse comparant les scores de deux groupes d'élèves (par exemple, oui/non p ≤ 0,05 ?). Cependant, aucune conclusion ne peut être convaincante à elle seule, car l’apprentissage et le développement des élèves sont un processus complexe qui va bien au-delà de la sophistication de l’analyse numérique.

Le but de l'analyse des données est d'identifier les modèles et les anomalies dans l'apprentissage et le développement des élèves. L’apprentissage et le développement des élèves sont un processus graduel qui nécessite la prise en compte globale de plusieurs facteurs. En conséquence, les universités et les établissements d’enseignement supérieur adoptent des stratégies d’intelligence artificielle et de « simulation » pour analyser les données afin d’acquérir une perspective plus globale. Ces outils de simulation peuvent créer des options pratiquement illimitées, allant de rien à tout le reste, pour aider les établissements à mieux comprendre l'apprentissage et le développement des étudiants.

Même en tenant compte du fait que différents sous-groupes d'étudiants ont des scores plus similaires plutôt que différents, c'est une situation simulée car nous réalisons qu'il n'y a pas de bonne réponse unique qui s'applique à tous les étudiants du campus. Afin d'expliquer pourquoi l'apprentissage et le développement des élèves sont si complexes, nous devons élargir notre perspective et comprendre l'influence de tous les facteurs pertinents, y compris, mais sans s'y limiter, les aspects liés aux antécédents, à la culture, à l'éducation et à la vie familiale des élèves.

Par conséquent, nous avons besoin d’une compréhension plus approfondie des processus d’apprentissage et de développement des étudiants, plutôt que de nous fier uniquement aux résultats de procédures statistiques conventionnelles. En utilisant l’intelligence artificielle et des outils de simulation pour analyser les données, nous pouvons obtenir une vision plus complète et plus complète de l’apprentissage et du développement des étudiants.

Les sciences du développement, y compris la psychologie du développement, les sciences cognitives et les neurosciences, ne se concentrent pas seulement sur « l'âge et le stade » de développement des enfants, mais se concentrent davantage sur l'exploration de la « trajectoire » des élèves. Les changements dans ces trajectoires sont déterminés par de nombreux facteurs, et pas seulement par ceux prédits par des caractéristiques démographiques immuables et les résultats scolaires antérieurs. La trajectoire de développement est le chemin de vie d’un étudiant influencé par le passé, le présent et le futur, qui détermine l’orientation future de son développement. Par conséquent, comprendre les changements et les facteurs dans les trajectoires des étudiants est essentiel pour élaborer des plans d’éducation et de développement individualisés.

Nous avons examiné quinze ensembles de données longitudinales, combinant différents systèmes d'information informatiques et évaluations basées sur les performances pour collecter des données sur l'apprentissage et le développement des élèves. Ces ensembles de données datent de 2007 et chaque ensemble de données longitudinales contient plus de 1,9 million de points de données individuels. En utilisant des techniques d’apprentissage automatique et l’analyse cognitive de l’IA, nous avons construit des modèles prédictifs pour identifier les modèles et les anomalies dans les données collectées sur la réussite des étudiants dans ces études de cohorte longitudinales. Nous avons également utilisé le logiciel statistique SPSS pour les analyses de régression logistique linéaire et binaire, et AMOS pour la modélisation d'équations structurelles. En utilisant différentes méthodes analytiques, nous avons confirmé les résultats et sommes arrivés aux mêmes résultats, augmentant ainsi la confiance dans les résultats.

Dans nos recherches, nous avons constaté que les changements dans les trajectoires des étudiants peuvent être considérés comme une déviation consciente, et que les étudiants peuvent apporter des changements à leur chemin de vie attendu grâce à l'auto-ajustement. Par exemple, un étudiant peut être placé sur une trajectoire menant à la réussite universitaire mais décider de se réorienter vers une trajectoire différente qui mène à l’abandon scolaire. Nos recherches montrent également que les changements dans les trajectoires des étudiants sont déterminés par divers facteurs, tels que la personnalité de l'étudiant, son environnement familial, son niveau d'éducation, son état psychologique, etc. Par conséquent, l’élaboration de plans d’éducation et de développement personnalisés doit tenir compte de manière globale de ces facteurs pour aider les étudiants à trouver la trajectoire qui leur convient le mieux et à réaliser leur plus grand potentiel.

Des résultats similaires ont été obtenus en utilisant des techniques telles que l'apprentissage automatique, l'analyse cognitive de l'IA et les statistiques traditionnelles. Dans un article de 2017, « Utilisation de machines à vecteurs de support pour prédire les résultats de l'obtention du diplôme des étudiants », il a été présenté comment appliquer la technologie d'apprentissage automatique pour prédire l'obtention du diplôme des étudiants. Le document a exploité plus de 100 fonctionnalités pour créer un modèle prédictif, comprenant un ensemble de facteurs permettant de mesurer l'apprentissage et le développement des élèves. Les résultats de la recherche confirment la conclusion de l'analyse cognitive de l'IA : les antécédents d'admission des étudiants ne déterminent pas leur avenir, mais leurs expériences d'apprentissage et de développement après l'admission sont plus importantes pour prédire la réussite scolaire et l'obtention du diplôme. L'application de stratégies d'IA fournit les informations les plus utiles. Les parcours des étudiants sont complexes, mais l’IA peut gérer cette complexité.

La collecte de données sur l’apprentissage et le développement des étudiants contribue à stimuler la pensée « analogique », car la science du développement considère toutes les expériences d’un étudiant sur le campus et au fil du temps dans le même cadre. Les stratégies d’IA sont utiles pour analyser toutes les données « fragmentées » sur l’apprentissage et le développement des élèves.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!