پیش‌بینی ریسک تحصیلی در دانشجویان و دانش‌آموزان با استفاده از سیستم‌های یادگیری ماشین و مداخلات آموزشی مبتنی بر شواهد

به کارگیری الگوریتم‌های یادگیری نظارت‌شده (Supervised Learning) شامل Random Forest و Gradient Boosting برای شناسایی زودهنگام دانشجویان و دانش‌آموزان در معرض افت تحصیلی بر اساس داده‌های حضور و غیاب، نمرات میان‌ترم و تعاملات در سامانه LMS.

دستاوردهای کلیدی:
• دقت پیش‌بینی بیش از ۹۲٪ در شناسایی زودهنگام افت تحصیلی
• طراحی سیستم پیشنهاددهنده مداخلات آموزشی اختصاصی برای هر دانشجو
• پیاده‌سازی موفق در سامانه‌های آموزشی دانشگاهی