학생의 불안감을 완화하기 위해 인공지능 전략을 사용하는 방법

대학생들이 잘 배우고 발전하고 있는지에 대한 불안감이 생기기 시작했지만, “중요한 차이점”을 식별할 수 있는 명확한 수치는 거의 없습니다. 숫자 상황은 일반적으로 "옳은" 또는 "틀린" 대답이 있는 상황을 나타냅니다(노트북의 켜기/끄기 버튼과 유사). 데이터가 올바르게 해석되지 않으면 일부 기존 통계 절차는 두 그룹의 학생 점수를 비교하는 분석에서 "차이"가 발견될 수 있다는 생각을 뒷받침할 수 있습니다(예: 예/아니요 p ≤ .05?). 그러나 학생의 학습과 발달은 수치 분석의 정교함을 훨씬 넘어서는 복잡한 과정이기 때문에 단일 결과는 설득력이 없습니다.

데이터 분석의 목적은 학생 학습 및 발달의 패턴과 이상 현상을 식별하는 것입니다. 학생의 학습과 발달은 다양한 요소를 종합적으로 고려해야 하는 점진적인 과정입니다. 이에 따라 대학과 고등교육기관에서는 데이터를 분석해 보다 포괄적인 관점을 얻기 위해 인공지능과 '시뮬레이션' 전략을 채택하고 있습니다. 이러한 시뮬레이션 도구는 아무것도 없는 것부터 중간에 있는 모든 것까지 거의 무제한의 옵션을 생성하여 기관이 학생의 학습 및 발달을 더 잘 이해할 수 있도록 돕습니다.

학생들의 서로 다른 하위 그룹이 점수가 다른 것보다 더 유사한지 여부를 고려하는 것조차 시뮬레이션된 상황입니다. 캠퍼스의 모든 학생에게 적용되는 정답이 없다는 것을 알기 때문입니다. 학생들의 학습과 발달이 왜 그렇게 복잡한지 설명하기 위해서는 우리의 관점을 확장하고 학생들의 배경, 문화, 교육 및 가족 생활 측면을 포함하되 이에 국한되지 않는 모든 관련 요소의 영향을 이해해야 합니다.

따라서 기존 통계 절차의 결과에만 의존하기보다는 학생들의 학습 및 발달 과정에 대한 더 깊은 이해가 필요합니다. 인공 지능과 시뮬레이션 도구를 사용하여 데이터를 분석함으로써 학생의 학습 및 발전에 대한 보다 완전하고 포괄적인 시각을 얻을 수 있습니다.

발달심리학, 인지과학, 신경과학을 포함한 발달과학은 아이들의 '나이와 단계' 발달에만 초점을 맞추는 것이 아니라 학생들의 '궤적'을 탐구하는 데 더 중점을 둡니다. 이러한 궤적의 변화는 불변의 인구통계학적 특성과 과거 학업 성취도에 의해 예측되는 요인뿐만 아니라 다양한 요인에 의해 결정됩니다. 발달궤적은 과거, 현재, 미래의 영향을 받는 학생의 인생 경로로, 학생의 미래 발달 방향을 결정합니다. 따라서 학생 궤적의 변화와 요인을 이해하는 것은 개별화된 교육 및 개발 계획을 개발하는 데 중요합니다.

학생의 학습 및 발달에 대한 데이터를 수집하기 위해 다양한 컴퓨터 정보 시스템과 성과 기반 평가를 결합한 15개의 종단적 데이터 세트를 연구했습니다. 이러한 데이터세트는 2007년부터 시작되었으며 각 종단적 데이터세트에는 190만 개 이상의 개별 데이터 포인트가 포함되어 있습니다. 기계 학습 기술과 AI 인지 분석을 사용하여 우리는 이러한 종단적 코호트 연구에서 학생 성공에 대해 수집된 데이터의 패턴과 이상을 식별하는 예측 모델을 구축했습니다. 또한 선형 및 이진 로지스틱 회귀 분석에는 SPSS 통계 소프트웨어를 사용했고 구조 방정식 모델링에는 AMOS를 사용했습니다. 다양한 분석 방법을 사용하여 결과를 확인하고 동일한 결과에 도달하여 결과에 대한 신뢰도를 높였습니다.

저희 연구에서 학생의 궤적 변화는 의식적인 일탈로 볼 수 있으며, 학생들은 자기 조정을 통해 예상되는 생활 경로를 변경할 수 있다는 사실을 발견했습니다. 예를 들어, 학생은 대학 성공으로 이어지는 궤도에 배치되었지만 중퇴로 이어지는 다른 궤도를 향해 방향을 바꾸기로 결정할 수 있습니다. 우리의 연구에 따르면 학생들의 궤적 변화는 학생의 성격, 가족 환경, 교육 수준, 심리 상태 등과 같은 다양한 요인에 의해 결정됩니다. 따라서 맞춤형 교육 및 개발 계획을 개발하려면 학생들이 자신에게 가장 적합한 궤도를 찾고 잠재력을 최대한 발휘할 수 있도록 이러한 요소를 종합적으로 고려해야 합니다.

머신러닝, AI 인지 분석, 전통적 통계 등의 기술을 사용해 비슷한 결과를 얻었습니다. 2017년 논문 "지원 벡터 머신을 사용하여 학생 졸업 결과 예측"에서는 머신러닝 기술을 적용하여 학생 졸업을 예측하는 방법이 소개되었습니다. 이 논문에서는 학생 학습 및 발달을 측정하는 일련의 요소를 포함하여 예측 모델을 구축하기 위해 100개 이상의 기능을 활용했습니다. 연구 결과는 AI 인지 분석의 결론을 확인시켜 줍니다. 학생의 입학 배경이 미래를 결정하는 것은 아니지만, 학업 성취도와 졸업을 예측하는 데 입학 후 학습 및 개발 경험이 더 중요하다는 것입니다. AI 전략을 적용하면 가장 유용한 정보를 얻을 수 있습니다. 학생의 궤적은 복잡하지만 AI는 이러한 복잡성을 처리할 수 있습니다.

학생 학습 및 발달에 대한 데이터를 수집하면 발달 과학이 동일한 프레임워크 내에서 캠퍼스 및 시간 경과에 따른 학생의 모든 경험을 고려하기 때문에 '시뮬레이션' 사고를 촉진하는 데 도움이 됩니다. AI 전략은 학생 학습 및 발달에 대한 모든 "조각화된" 데이터를 분석할 때 유용합니다.

위 내용은 학생의 불안감을 완화하기 위해 인공지능 전략을 사용하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!