Cara menggunakan strategi kecerdasan buatan untuk mengurangkan rasa tidak selamat pelajar

Terdapat rasa kurang senang yang semakin meningkat tentang sama ada pelajar universiti belajar dan berkembang dengan baik, tetapi terdapat beberapa angka yang jelas untuk mengenal pasti "perbezaan penting". Situasi berangka biasanya merujuk kepada situasi di mana terdapat jawapan "betul" atau "salah" (serupa dengan butang hidup/mati pada komputer riba). Jika data tidak ditafsirkan dengan betul, beberapa prosedur statistik konvensional mungkin menyokong idea bahawa "perbezaan" mungkin ditemui dalam analisis yang membandingkan markah dua kumpulan pelajar (cth., ya/tidak p ≤ .05?). Walau bagaimanapun, tiada satu pun dapatan yang meyakinkan kerana pembelajaran dan perkembangan pelajar adalah satu proses yang kompleks yang melangkaui kecanggihan analisis berangka.

Tujuan analisis data adalah untuk mengenal pasti corak dan anomali dalam pembelajaran dan perkembangan pelajar. Pembelajaran dan pembangunan pelajar adalah proses beransur-ansur yang memerlukan pertimbangan menyeluruh pelbagai faktor. Akibatnya, universiti dan institusi pengajian tinggi menggunakan strategi kecerdasan buatan dan "simulasi" untuk menganalisis data untuk mendapatkan perspektif yang lebih komprehensif. Alat simulasi ini boleh mencipta pilihan yang hampir tidak terhad, daripada tiada kepada segala-galanya di antaranya, untuk membantu institusi memahami pembelajaran dan pembangunan pelajar dengan lebih baik.

Walaupun mempertimbangkan sama ada subkumpulan pelajar yang berbeza mempunyai skor yang lebih serupa dan bukannya berbeza adalah situasi simulasi kerana kami menyedari tiada satu jawapan yang betul yang terpakai kepada semua pelajar di kampus. Untuk menjelaskan mengapa pembelajaran dan perkembangan pelajar begitu kompleks, kita perlu mengembangkan perspektif kita dan memahami pengaruh semua faktor yang berkaitan, termasuk tetapi tidak terhad kepada aspek latar belakang, budaya, pendidikan dan kehidupan keluarga pelajar.

Oleh itu, kita memerlukan pemahaman yang lebih mendalam tentang proses pembelajaran dan pembangunan pelajar, dan bukannya hanya bergantung pada keputusan prosedur statistik konvensional. Dengan menggunakan alat kecerdasan buatan dan simulasi untuk menganalisis data, kami boleh memperoleh pandangan yang lebih lengkap dan menyeluruh tentang pembelajaran dan pembangunan pelajar.

Sains perkembangan, termasuk psikologi perkembangan, sains kognitif dan neurosains, bukan sahaja tertumpu kepada perkembangan "umur dan peringkat" kanak-kanak, tetapi lebih memfokuskan kepada penerokaan "trajektori" pelajar. Perubahan dalam trajektori ini ditentukan oleh banyak faktor, bukan hanya yang diramalkan oleh ciri demografi yang tidak berubah dan prestasi akademik masa lalu. Trajektori pembangunan ialah laluan hidup pelajar yang dipengaruhi oleh masa lalu, masa kini dan masa depan, yang menentukan hala tuju pembangunan masa depan pelajar. Oleh itu, memahami perubahan dan faktor dalam trajektori pelajar adalah penting untuk membangunkan pendidikan individu dan rancangan pembangunan.

Kami telah memeriksa lima belas set data membujur, menggabungkan sistem maklumat berkomputer yang berbeza dan penilaian berasaskan prestasi untuk mengumpul data tentang pembelajaran dan pembangunan pelajar. Set data ini bertarikh dari 2007 dan setiap set data membujur mengandungi lebih daripada 1.9 juta titik data individu. Dengan menggunakan teknik pembelajaran mesin dan analisis kognitif AI, kami membina model ramalan untuk mengenal pasti corak dan anomali dalam data yang dikumpul tentang kejayaan pelajar dalam kajian kohort membujur ini. Kami juga menggunakan perisian statistik SPSS untuk analisis regresi logistik linear dan binari, dan AMOS untuk pemodelan persamaan struktur. Dengan menggunakan kaedah analisis yang berbeza, kami mengesahkan penemuan dan mencapai penemuan yang sama, meningkatkan keyakinan terhadap penemuan.

Dalam penyelidikan kami, kami mendapati bahawa perubahan dalam trajektori pelajar boleh dilihat sebagai penyelewengan yang disedari, dan pelajar boleh membuat perubahan dalam laluan kehidupan yang dijangkakan melalui penyesuaian diri. Sebagai contoh, pelajar mungkin diletakkan pada trajektori yang membawa kepada kejayaan kolej tetapi memutuskan untuk mengorientasikan semula diri mereka ke arah trajektori berbeza yang membawa kepada keciciran. Penyelidikan kami juga menunjukkan bahawa perubahan dalam trajektori pelajar ditentukan oleh pelbagai faktor, seperti personaliti pelajar, persekitaran keluarga, tahap pendidikan, keadaan psikologi, dsb. Oleh itu, membangunkan pelan pendidikan dan pembangunan yang diperibadikan perlu mempertimbangkan secara menyeluruh faktor-faktor ini untuk membantu pelajar mencari trajektori yang paling sesuai dengan mereka dan merealisasikan potensi terbesar mereka.

Keputusan yang sama diperoleh menggunakan teknik seperti pembelajaran mesin, analisis kognitif AI dan statistik tradisional. Dalam kertas kerja 2017, "Menggunakan Mesin Vektor Sokongan untuk Meramalkan Hasil Pengijazahan Pelajar," telah diperkenalkan cara menggunakan teknologi pembelajaran mesin untuk meramalkan pengijazahan pelajar. Kertas kerja itu memanfaatkan lebih daripada 100 ciri untuk membina model ramalan, termasuk satu set faktor untuk mengukur pembelajaran dan perkembangan pelajar. Hasil penyelidikan mengesahkan kesimpulan analisis kognitif AI: latar belakang kemasukan pelajar tidak menentukan masa depan mereka, tetapi pengalaman pembelajaran dan perkembangan mereka selepas kemasukan adalah lebih penting dalam meramalkan pencapaian akademik dan pengijazahan. Menggunakan strategi AI menyediakan maklumat yang paling berguna. Trajektori pelajar adalah kompleks, tetapi AI boleh mengendalikan kerumitan ini.

Mengumpul data tentang pembelajaran dan pembangunan pelajar membantu memacu pemikiran "simulasi" kerana sains pembangunan menganggap semua pengalaman pelajar di kampus dan dari semasa ke semasa dalam rangka kerja yang sama. Strategi AI berguna apabila menganalisis semua data "berpecah" tentang pembelajaran dan pembangunan pelajar.

Atas ialah kandungan terperinci Cara menggunakan strategi kecerdasan buatan untuk mengurangkan rasa tidak selamat pelajar. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!