ԱՐՀԵՍՏԱԿԱՆ ԲԱՆԱԿԱՆՈՒԹՅԱՆ ԿԻՐԱՌՈՒԹՅՈՒՆՆԵՐԸ ՍՈՑԻԱԼԱԿԱՆ ՄԱՆԿԱՎԱՐԺՈՒԹՅԱՆ ՄԵՋ. ԿԱՆԽԱՏԵՍՈՂԱԿԱՆ ՎԵՐԼՈՒԾՈՒԹՅՈՒՆ՝ ՎԱՂ ՄԻՋԱՄՏՈՒԹՅՈՒՆՆ ԸՆԴԼԱՅՆԵԼՈՒ ՀԱՄԱՐ
DOI-:
https://doi.org/10.46991/educ-21st-century.v7.i2.259Բանալի բառեր-:
Արհեստական բանականություն (ԱԲ), կանխատեսողական վերլուծություն, ուսուցումից դուրս մնալու ռիսկ, վաղ միջամտություն, սոցիալական մանկավարժություն, մեքենայական ուսուցման մոդելներ, կողմնակալություն և արդարություն արհեստական բանականության մեջ, տվյալների գաղտնիություն, որոշումների կորի վերլուծություն, կրթական տվյալների կառավարումԱմփոփում
Աջակցության կարիք ունեցող երեխաների ու ընտանիքների վաղ հայտնաբերումը սոցիալական մանկավարժության կարևորագույն խնդիր է: Հոդվածը ուսումնասիրում է, թե ինչպես կարող են արհեստական բանականության (ԱԲ) համակարգերը լրացնել սոցիալական մանկավարժի աշխատանքը՝ կանխատեսելով ռիսկի գործոններն ու հայտնաբերելով վաղ միջամտությունների անհրաժեշտությունը: Մենք ներկայացնում ենք մի ուսումնասիրություն, որն օգտագործում է կանխատեսողական վերլուծության մոտեցումը՝ ռիսկի խմբում գտնվող աշակերտներին հայտորոշելու համար՝ կիրառելով ռեգրեսիոն մոդել կրթական ու սոցիալ-դեմոգրաֆիկ տվյալների վրա: Մոդելի արդյունքները ցույց են տալիս, որ ԱԲ-ի վրա հիմնված վերլուծությունները կարող են հաջողությամբ նույնականացնել ռիսկի խմբում գտնվող աշակերտների զգալի մասը՝ թույլ տալով միջամտություններ կատարել նախքան խնդիրների սրվելը:
Հոդվածում դիտարկում ենք ստացված արդյունքները առկա գրականության համատեքստում՝ ընդգծելով ԱԲ-ի առավելությունները՝ ճշգրտության, արդյունավետության և ռեսուրսների բաշխման բարելավումը՝ այնպիսի մարտահրավերների հետ մեկտեղ, ինչպիսիք են էթիկական նկատառումներն ու մարդու վերահսկողության անհրաժեշտությունը: Արդյունքում նշենք, որ ԱԲ համակարգերը, երբ պատասխանատու կերպով օգտագործվում են, ունեն սոցիալական մանկավարժության վաղ միջամտության ռազմավարությունները մեծապես բարելավելու ներուժ՝ աջակցելով սոցիալական մանկավարժներին տեղեկացված և ժամանակին որոշումներ կայացնելու հարցում:
Հղումներ
1. Arishi H., Falkner N., Treude C., & Attapattu T., Systematic Literature Review on Machine Learning Research in Education. In 2021 IEEE Frontiers in Education Conference (FIE), October, 2024, pp. 1–9. doi: 10.1109/fie61694.2024.10892898
2. Bañeres D., Rodríguez-González M.E., Guerrero-Roldán A.E., & Cortadas P., An early warning system to identify and intervene online dropout learners. International Journal of Educational Technology in Higher Education, 20(1), January, 2023. doi: 10.1186/s41239-022-00371-5
3. Inkster B., et al.. User engagement with mental health chatbots: A study on digital therapy adherence. In Proceedings of the European Conference on Digital Psychiatry, Berlin, Germany, 2018, pp. 67–75.
4. Lupariello F., Sussetto L., Di Trani S., & Di Vella G., Artificial Intelligence and Child Abuse and Neglect: A Systematic Review. Children, 10(10), October, 2023, 1659. doi: 10.3390/children10101659
5. Nuwasiima N.M., Ahonon N.M.P., & Kadiri N.C., The Role of Artificial Intelligence (AI) and Machine Learning in Social Work Practice. World Journal of Advanced Research and Reviews, 24(1), October, 2024, 80–97. doi: 10.30574/wjarr.2024.24.1.2998
6. Psyridou M., Prezja F., Torppa M., Lerkkanen M.K., Poikkeus A.M., & Vasalampi K., Machine learning predicts upper secondary education dropout as early as the end of primary school. Scientific Reports, 14(1), June, 2024. doi: 10.1038/s41598-024-63629-0
7. Schwartz D.R., Kaufman A.B., & Schwartz I.M., Computational intelligence techniques for risk assessment and decision support. Children and Youth Services Review, 26(11), September, 2004, 1081–1095. doi: 10.1016/j.childyouth.2004.08.007
8. San Diego State University, Academy for Professional Excellence, Use of AI Tools in Social Work and Child Welfare Services (Research Summary). San Diego, CA, USA. Available: CWDS Research Summary: Use of AI Tools in Social Work and Child Welfare Services — October 2023, October, 2023.
Ներբեռնումներ
Հրատարակվել է
Թողարկում
Բաժին
Արտոնագհր
Copyright (c) 2025 Samvel Asatryan
Այս աշխատանքն արտոնագրված է որպես a Creative Commons Attribution-NonCommercial 4.0 International License.
