انجمن مطالعات هوش و استعداد پویایی روانشناختی در اختلال های خلقی 2981-1759 در دست انتشار 1405 07 01 Analyzing the Importance of Mood Disorders in Hard-of-Hearing Students in Special Education Using Machine Learning تحلیل اهمیت اختلال‌های خلقی دانش‌آموزان کم‌شنوا در آموزش ویژه به روش یادگیری ماشین 1 15 FA علی آقازیارتی گروه آموزش روانشناسی و مشاوره، دانشگاه فرهنگیان، تهران، ایران حسن رحیمی گروه آموزش روانشناسی و مشاوره، دانشگاه فرهنگیان، تهران، ایران Journal Article 1404/07/02 <p><strong>Objective:</strong> This study aims to analyze the importance of mood disorders in predicting educational outcomes of hard-of-hearing students in Tehran’s special education system using machine learning algorithms. <strong>Methodology: </strong>This quantitative analytical study was conducted on 210 hard-of-hearing students enrolled in special education schools in Tehran. Data were collected using standardized measures of depression, anxiety, mood instability, social withdrawal, teacher-reported emotional problems, and academic performance indicators. After data preprocessing, four machine learning algorithms—Decision Tree, Support Vector Machine, Random Forest, and Multilayer Perceptron—were implemented and evaluated using accuracy, sensitivity, F1-score, and AUC. <strong>Findings: </strong>The Random Forest model achieved the highest predictive performance in identifying students at risk of mood-related academic decline (Accuracy=0.88, AUC=0.93). Feature importance analysis indicated that depression, anxiety, and mood instability were the strongest predictors of educational risk, exceeding the influence of hearing loss severity.</p> <p><strong>Conclusion: </strong>Mood disorders constitute the primary determinant of educational vulnerability in hard-of-hearing students, and machine learning models provide a powerful framework for early risk detection and targeted educational and psychological interventions.</p> <p><strong>هدف:</strong> هدف این پژوهش تحلیل نقش و اهمیت اختلال‌های خلقی در پیش‌بینی وضعیت آموزشی دانش‌آموزان کم‌شنوا در نظام آموزش ویژه شهر تهران با استفاده از الگوریتم‌های یادگیری ماشین است. <strong>روش‌شناسی: </strong>پژوهش حاضر از نوع کمی تحلیلی است و بر روی ۲۱۰ دانش‌آموز کم‌شنوا شاغل به تحصیل در مدارس آموزش ویژه شهر تهران انجام شد. داده‌ها با استفاده از ابزارهای استاندارد سنجش افسردگی، اضطراب، ناپایداری خلق، کناره‌گیری اجتماعی، گزارش معلمان از مشکلات هیجانی و شاخص‌های عملکرد تحصیلی گردآوری شد. پس از پیش‌پردازش داده‌ها، چهار الگوریتم یادگیری ماشین شامل درخت تصمیم، ماشین بردار پشتیبان، جنگل تصادفی و شبکه عصبی چندلایه اجرا و عملکرد آن‌ها با شاخص‌های دقت، حساسیت، F1 و AUC ارزیابی گردید. <strong>یافته‌ها: </strong>نتایج نشان داد مدل جنگل تصادفی بالاترین دقت پیش‌بینی را در شناسایی دانش‌آموزان در معرض افت آموزشی مرتبط با اختلال‌های خلقی داراست (Accuracy=0.88, AUC=0.93). تحلیل اهمیت ویژگی‌ها نشان داد افسردگی، اضطراب و ناپایداری خلق قوی‌ترین پیش‌بین‌های افت تحصیلی بوده و سهم متغیرهای هیجانی به‌طور معناداری بیشتر از شدت کم‌شنوایی است. <strong>نتیجه‌گیری</strong><strong>:</strong><strong> </strong>اختلال‌های خلقی مهم‌ترین عامل تبیین‌کننده وضعیت آموزشی دانش‌آموزان کم‌شنوا هستند و به‌کارگیری مدل‌های یادگیری ماشین امکان شناسایی زودهنگام دانش‌آموزان پرخطر و طراحی مداخلات آموزشی–روان‌شناختی هدفمند را فراهم می‌سازد.</p> https://maherpub.com/index.php/pdmd/article/download/703/551