یادگیری هوشمند و تحول مدیریت 3115-8900 در دست انتشار 1405 08 01 Analysis of Learning Patterns and Prediction of Students’ Academic Performance in Virtual Education Using Data Mining Algorithms تحلیل الگوهای یادگیری و پیش‌بینی عملکرد تحصیلی دانش‌آموزان در آموزش مجازی با بهره‌گیری از الگوریتم‌های داده‌کاوی 1 24 FA عاطفه السادات قریشی گروه مديريت، واحد قزوین ، دانشگاه آزاد اسلامی ، قزوین ، ایران. یونس وکیل الرعایا گروه مديريت ، واحد مهدیشهر ، دانشگاه آزاد اسلامی ، مهدیشهر ، ایران فریده حق شناس کاشانی گروه مدیریت، واحد تهران مرکزی ، دانشگاه آزاد اسلامی ، تهران ، ایران. علی اکبر امین بیدختی گروه مدیریت، دانشگاه سمنان، سمنان، ایران Journal Article 1404/12/09 <p>The present study aimed to identify students’ learning patterns in virtual education environments and predict their academic performance using data mining and machine learning algorithms. This study employed a data-driven approach using educational data mining techniques. The statistical population consisted of secondary school students in Semnan Province, Iran, from whom data related to 400 students actively participating in virtual learning environments were collected. Data were extracted from online learning management systems, school databases, and electronic questionnaires and included variables such as self-regulated learning, digital skills, family support, teacher feedback quality, academic motivation, and prior academic performance. After preprocessing procedures including data cleaning, normalization, and removal of incomplete records, the K-Means algorithm was used for clustering learning patterns. In addition, Random Forest, XGBoost, MLP neural network, Decision Tree, SVM, KNN, Logistic Regression, and Naive Bayes algorithms were applied to predict academic performance. Model performance was evaluated using Accuracy, Recall, Precision, and F1-Score indices. The clustering analysis identified three major learning patterns: “independent and successful learners,” “at-risk learners,” and “learners with hidden potential.” The first cluster demonstrated high levels of self-regulation, digital competence, and family support, whereas the second cluster was characterized by weak self-regulation skills and inadequate learning conditions. Among predictive models, the Random Forest algorithm achieved the best performance with 92% accuracy, 92.8% recall, and an F1-score of 91%. XGBoost ranked second, followed by the MLP neural network. Feature importance analysis revealed that self-regulated learning, teacher feedback quality, and family support were the most influential predictors of students’ academic performance. The findings demonstrated that students’ learning patterns in virtual education environments are highly heterogeneous and influenced by a combination of cognitive, motivational, interactive, and environmental factors. Furthermore, data mining algorithms, particularly Random Forest, showed high capability in analyzing educational data and predicting academic performance. These approaches can facilitate personalized learning design and intelligent decision-making in virtual education systems.</p> <p>هدف این پژوهش شناسایی الگوهای یادگیری دانش‌آموزان در محیط آموزش مجازی و پیش‌بینی عملکرد تحصیلی آنان با استفاده از الگوریتم‌های داده‌کاوی و یادگیری ماشین بود. این پژوهش با رویکرد داده‌محور و با بهره‌گیری از روش‌های داده‌کاوی آموزشی انجام شد. جامعه آماری شامل دانش‌آموزان دوره دوم متوسطه استان سمنان بود که از میان آنان داده‌های مربوط به 400 دانش‌آموز فعال در محیط آموزش مجازی گردآوری شد. داده‌ها از سامانه‌های آموزش برخط، پایگاه‌های اطلاعاتی مدارس و فرم‌های الکترونیکی استخراج گردید و شامل متغیرهایی نظیر خودتنظیمی یادگیری، مهارت‌های دیجیتالی، حمایت خانوادگی، کیفیت بازخورد معلم، انگیزش تحصیلی و عملکرد قبلی بود. پس از مرحله پاکسازی، نرمال‌سازی و حذف داده‌های ناقص، الگوریتم K-Means برای خوشه‌بندی الگوهای یادگیری و الگوریتم‌های جنگل تصادفی، XGBoost، شبکه عصبی MLP، درخت تصمیم، SVM، KNN، رگرسیون لجستیک و Naive Bayes برای پیش‌بینی عملکرد تحصیلی مورد استفاده قرار گرفتند. ارزیابی مدل‌ها با شاخص‌های Accuracy، Recall، Precision و F1-Score انجام شد. نتایج خوشه‌بندی سه الگوی اصلی یادگیری شامل «یادگیرندگان مستقل و موفق»، «یادگیرندگان در معرض خطر» و «یادگیرندگان با پتانسیل نهفته» را شناسایی کرد. خوشه اول دارای خودتنظیمی، مهارت دیجیتالی و حمایت خانوادگی بالا بود، در حالی که خوشه دوم با ضعف در مهارت‌های خودتنظیمی و شرایط نامناسب یادگیری مشخص شد. الگوریتم جنگل تصادفی با دقت 92 درصد، Recall برابر با 92.8 درصد و F1-Score معادل 91 درصد بهترین عملکرد را در پیش‌بینی عملکرد تحصیلی نشان داد. الگوریتم XGBoost در رتبه دوم و شبکه عصبی مصنوعی در رتبه سوم قرار گرفتند. تحلیل اهمیت ویژگی‌ها نشان داد که متغیرهای خودتنظیمی یادگیری، کیفیت بازخورد معلم و حمایت خانوادگی بیشترین تأثیر را بر عملکرد تحصیلی دانش‌آموزان دارند. یافته‌های پژوهش نشان داد که الگوهای یادگیری دانش‌آموزان در محیط‌های آموزش مجازی ناهمگن بوده و ترکیبی از عوامل شناختی، انگیزشی، تعاملی و محیطی در موفقیت تحصیلی آنان نقش دارد. همچنین، الگوریتم‌های داده‌کاوی به‌ویژه جنگل تصادفی، توانایی بالایی در تحلیل داده‌های آموزشی و پیش‌بینی عملکرد تحصیلی دارند و می‌توانند مبنایی برای طراحی آموزش‌های شخصی‌سازی‌شده و تصمیم‌گیری هوشمند در نظام‌های آموزشی مجازی فراهم سازند.</p> https://jilmt.com/index.php/jilmt/article/download/310/211