• • مدل مسیر”شین و کیم^[۸۰]” برای پیش ­بینی معدل و ماندگاری دانشجوی از راه دور

مدلی که شین و کیم (۱۹۹۹) ارائه و در دانشگاه باز کره آزموده­اند، مدلی است که بر یادگیرندۀ از راه دور و ویژگی­هایی که باید داشته باشد، متمرکز است و کمتر بر مؤسسه‌ آموزشی و عوامل محیطی تمرکز ‌کرده‌است. شکل ‏۲‑۸ نمودار مسیر این مدل را نشان می‌دهد.

حجم کاری

یکپارچگی اجتماعی

انگیزه ادامه تحصیل

زمان مطالعه

یادگیری برنامه­ ریزی شده

فعالیت‌های رو در رو

معدل

شکل ‏۲‑۸: مدل مسیر “شین و کیم”

حجم کاری در مدل “شین و کیم” بر میزان مشغله کاری دانشجو همزمان با تحصیل، دلالت دارد. یکپارچگی اجتماعی به میزان تعلق و احساس وابستگی دانشجو به مؤسسه‌ آموزشی و میزان تشویق اطرافیان برای ادامه تحصیل اشاره دارد. انگیزه ادامه تحصیل^[۸۱] نیز به میزان انگیزش و علاقه فرد برای ادامه تحصیل و غلبه بر مشکلات آن اشاره دارد. میزان ساعاتی که دانشجو در طول و پایان ترم برای مطالعه دروس صرف کرده، زمان مطالعه است. یادگیری برنامه ریزی شده نیز به میزان برنامه ریزی و نظم در برنامه مطالعاتی دانشجو اشاره دارد.

• مدل “ونسترا، دی و هرین” برای ماندگاری دانشجویان مهندسی

ونسترا، دی و هرین (۲۰۰۹) برای پیش ­بینی ادامه تحصیل یا عدم ادامه تحصیل دانشجویان مهندسی در سال اول تحصیل، مدلی ارائه کرده ­اند. این مدل مبتنی بر مدل “تینتو” است و برای آموزش­ مهندسی ارائه شده است. از آنجا که در پژوهش حاضر، بررسی عوامل مؤثر بر موفقیت دانشجویان مهندسی اهمیت دارد، این مدل و عناصر آن در شکل ‏۲‑۹ ارائه شده است.

ویژگی­های پیش دانشگاهی

فرایند­های ترم اول

تصمیم به ادامه تحصیل

پیشرفت تحصیلی متوسطه

مهارت­ های کمّی

عادت به مطالعه

التزام فرد به اهداف تحصیلی و حرفه ­ای

اطمینان در مهارت­ های کمّی

التزام به دانشگاه

نیاز اقتصادی

پشتیبانی خانواده

مشغولیت اجتماعی

یکپارچگی تحصیلی

یکپارچگی اجتماعی

یادگیری

اصلاح التزام به مؤسسه‌

اصلاح التزام به اهداف

سطح موفقیت تحصیلی (معدل ترم اول)

۲٫۰>معدل

خیر

بله

احتمال بالا ترک دانشکده مهندسی

تصمیم به بازگشت

بازگشت

ترک

بازگشت به رشته مهندسی برای سال دوم

ترک رشته مهندسی برای سال دوم

شکل ‏۲‑۹: مدل “ونسترا، دی و هرین” برای ماندگاری دانشجویان مهندسی

توضیح متغیرهای پیش بین این مدل به قرار زیر است:

پیشرفت تحصیلی متوسطه: در این مدل، معدل مقطع متوسطه دانشجو و نمرات کلی ACT و SAT او متغیر مهم تلقی شده است. هر چه پیشینه تحصیلی فرد قوی­تر باشد، احتمال موفقیت و ادامه تحصیل بیشتر است.
مهارت‌های کمّی و تحلیلی فرد: از آنجا که دانش کمّی، تحلیلی و ریاضی برای دانشجوی مهندسی ضروری است، این عامل به عنوان یک متغیر مهم در مدل گنجانیده شده است. ‌بنابرین‏ نمره ریاضی فرد در آزمون­های ACT و SAT از متغیر­های مهمی محسوب می­شوند.

عادت به مطالعه و یادگیری مستقل: حجم مطالب رشته­ های مهندسی در ترم اولِ تحصیل بالا است؛ لذا عادت به مطالعه و میزان مطالعه دانش ­آموز در دوران تحصیل متوسطه از اهمیت بسزایی برخوردار است. توانایی یادگیری مستقل فرد، نیز با توجه به نقش تسهیل کننده استاد در این مدل، مهم تلقی شده است.

التزام فرد به اهداف تحصیلی و حرفه ای: دانشجویانی که به نحوی با حرفه مهندسی مرتبط هستند، التزام بیشتری به رشته خود داشته و انگیزه موفقیت بیشتری دارند. همچنین دانشجویانی که حرفه مهندسی را دوست دارند احتمال ادامه تحصیل بیشتری دارند.

اطمینان در مهارت­ های کمّی: دانشجویانی که در پرسشنامه ­های خودسنجی، امتیاز بالایی به عزت نفس خود در مهارت‌های مهندسی داده ­اند از انگیزه بالایی برای ادامه تحصیل در رشته مهندسی برخوردار هستند، لذا احتمال موفقیت بیشتری دارند.

التزام به دانشگاه ثبت نام کرده: اینکه دانشگاهی که انتخاب کرده ­اند، اولین انتخاب دانشجو بوده یا خیر، نشانی از التزام فرد به دانشگاه است و تا حدی پیش­بین ادامه تحصیل فرد در آن دانشگاه و رشته است.

نیاز اقتصادی: با وجود شهریه و هزینه­ های اسکان دانشجو، توانایی مالی خانواده برای برآورد نیازهای مالی، جزء متغیرهای مهم پیش­بین ادامه تحصیل یا عدم ادامه تحصیل مطرح می‌شود.

پشتیبانی خانواده: تشویق و حمایت خانواده نیز از دیگر متغیرهای اثرگذار بر ادامه تحصیل دانشجوی مهندسی است که در این مدل جای گرفته است.

مشغولیت اجتماعی^[۸۲]: به میزان درگیر شدن دانشجو در فعالیت­های فوق برنامه و کلوپ‌های دانشگاه اشاره دارد. انتظار می‌رود، افرادی که در فعالیت­های فوق برنامه و کلوپ‌های مدرسه خود فعال­تر بوده‌اند در دانشگاه نیز ‌به این روند ادامه دهند و ادامه تحصیل دهند (ونسترا، دی و هرین،۲۰۰۹).

علاوه بر مدل­های ذکر شده در این بخش، مدل­هایی وجود دارند که نقش یک نظریه­ خاص را در موفقیت تحصیلی دانشجوی الکترونیکی بررسی می‌کنند. به عنوان نمونه ‌می‌توان به مدل مسیر چن و ویلیتز^[۸۳](۱۹۹۸) اشاره کرد که نظریه تبادل از راه دور^[۸۴] ارائه شده توسط مور^[۸۵]را به بوته آزمایش گذاشته است. مدل مسیر بررسی شده توسط شرلی و همکاران^[۸۶](۲۰۰۷) نظریه یادگیری خودگردان^[۸۷] ارائه شده توسط زیمرمن را محور موفقیت دانشجو در تحصیل الکترونیکی قرار داده است.

۲-۴ هوش مصنوعی و آموزش

یکی از مهم‌ترین اهداف پژوهش حاضر شناسایی مدل مبتنی بر هوش مصنوعی برای پیش ­بینی موفقیت تحصیلی دانشجو است؛ در این بخش از مرور مطالعاتی، کلیاتی از هوش انسانی و هوش مصنوعی را به عنوان پیش­نیاز بحث مطرح می‌کنیم؛ بدون شک ورود به بحث تعریف و تشریح ابعاد و نظریه­ های مختلف هوش و متعاقب آن هوش مصنوعی، بحث مفصلی را می­طلبد؛ لذا سعی شده است، حتی‌الامکان از ورود به نظریه ­ها و نظریه‌پردازی‌ها پرهیز شود؛ مهم کاربرد هوش مصنوعی در آموزش است که در این بخش به آن پرداخته شده است.

در مبحث کاربرد­های آموزشی هوش مصنوعی، “سیستم­های خبره” و نمونه کاربردهای آموزشی آن تشریح می­ شود. “سیستم­های آموزشی هوشمند“، مبحث بسیار اساسی در کاربرد­های آموزشی هوش مصنوعی است، لذا اجزاء و ماژول‌های یک سیستم آموزشی هوشمند مبتنی بر وب، تشریح و جایگاه یافته ­های پژوهش حاضر در یک سیستم آموزشی هوشمند تشریح می‌شود. “یادگیری ماشینی و داده ­کاوی آموزشی” زیر مجموعه ­ای از هوش مصنوعی است، که تشریح کاربرد­های آموزشی یادگیری ماشینی، مقدمه­ای برای ورود به مبحث الگوریتم­های پیش ­بینی یادگیری ماشینی خواهد بود.

۲-۴-۱ هوش