علم تصمیم گیری و سیستم های هوشمند 3060-7574 2 1404 08 01 Providing an Intelligent Model for Predicting Student Academic Decline with Emphasis on Family Characteristics: A Case Study of Alborz Province ارائه مدل هوشمند برای پیش‌بینی افت تحصیلی دانش‌آموزان با تأکید بر ویژگی‌های خانوادگی: مطالعه موردی استان البرز 1 23 FA محبوبه مولوی عربشاهی دانشگاه علم و صنعت ایران جواد وحیدی دانشگاه علم و صنعت ایران امیر پاس لاری دانشگاه علم و صنعت ایران Journal Article 1404/02/14 The education system, as one of the fundamental pillars of human development, plays a crucial role in fostering individual and social advancement. Student academic decline is one of the serious challenges in this field, with long-term individual and social consequences. Although numerous studies have been conducted globally, local research in this area remains limited; therefore, conducting a case study in Alborz Province can help fill this research gap. This study aimed to analyze and model student academic decline based on family indicators through a case study in Alborz Province. The research data were collected from primary and secondary schools in the province and included variables such as parents’ educational level, household income, parents’ occupations, and family structure. To design the predictive model for academic decline, four machine learning algorithms were applied: logistic regression, support vector machine (SVM) with an RBF kernel, random forest, and XGBoost. The results showed that among the tested models, the random forest algorithm performed best and achieved 98% accuracy in identifying complex relationships among the variables. For analyzing the relationships between family variables and academic decline, Spearman’s rank correlation coefficient was first used to examine statistical associations. Then, SHAP (SHapley Additive exPlanations) analysis was employed to interpret the decisions of the machine learning models and clarify the role of each variable. Based on the findings, mother’s education, household income, and father’s education were identified as the most significant factors contributing to academic decline. The results of this study can be highly effective in designing preventive educational policies and timely identification of at-risk students. نظام آموزش و پرورش به‌عنوان یکی از بنیان‌های اصلی توسعه انسانی، نقشی کلیدی در ارتقاء فردی و اجتماعی ایفا می‌کند. افت تحصیلی دانش‌آموزان یکی از چالش‌های جدی در این حوزه است که پیامدهای بلندمدت فردی و اجتماعی به همراه دارد. اگرچه مطالعات متعددی در سطح جهانی انجام شده‌اند، پژوهش‌های بومی در این زمینه هنوز محدود هستند؛ ازاین‌رو، انجام مطالعه‌ای موردی در استان البرز می‌تواند به پر کردن این شکاف پژوهشی کمک کند. این پژوهش با هدف تحلیل و مدل‌سازی افت تحصیلی دانش‌آموزان بر اساس شاخص‌های خانوادگی، به‌صورت مطالعه موردی در استان البرز انجام شده است. داده‌های تحقیق از مدارس دوره ابتدایی و متوسطه این استان گردآوری شده و شامل متغیرهایی همچون سطح تحصیلات والدین، میزان درآمد خانوار، نوع شغل والدین و ساختار خانواده بوده است. در راستای طراحی مدل پیش‌بینی افت تحصیلی، چهار الگوریتم یادگیری ماشین شامل رگرسیون لجستیک، ماشین بردار پشتیبان (SVM) با کرنل RBF، جنگل تصادفی و XGBoost به‌کار گرفته شدند. نتایج نشان داد که در میان مدل‌های استفاده‌شده، الگوریتم جنگل تصادفی بهترین عملکرد را داشته و با دقت ۹۸٪ توانست روابط پیچیده میان متغیرها را شناسایی کند. برای تحلیل روابط میان متغیرهای خانوادگی و افت تحصیلی، ابتدا از ضریب همبستگی اسپیرمن جهت بررسی ارتباطات آماری استفاده شد. سپس برای تبیین تصمیمات مدل‌های یادگیری ماشین و شفاف‌سازی نقش هر متغیر، از تحلیل SHAP بهره گرفته شد. بر اساس یافته‌ها، تحصیلات مادر، درآمد خانوار و تحصیلات پدر از مهم‌ترین عوامل در بروز افت تحصیلی بودند. یافته‌های این مطالعه می‌تواند در طراحی سیاست‌های پیشگیرانه آموزشی و شناسایی به‌موقع دانش‌آموزان پرریسک بسیار مؤثر واقع شود.