From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support

في المشهد الرقمي الشاسع للتعليم الحديث، تسجل أنظمة إدارة التعلم تدفقاً مستمراً من نشاط الطلاب: النقرات على صفحات المساقات، وتسليم الاختبارات القصيرة، والمشاركة في المنتديات، وتوقيت كل عملية تسجيل دخول. لسنوات، استخدم علماء البيانات هذه الآثار الرقمية لبناء نماذج تتنبأ بالطلاب الذين يُحتمل أن يعانوا أو يفشلوا. تعمل أدوات التنبؤ هذه كأنظمة إنذار مبكر، حيث تضع علامات على المتعلمين المعرضين للخطر قبل وقوع الأزمة. ومع ذلك، فإن التنبؤ بالمشكلة ليس سوى نصف الحل؛ فمعرفة أن طالباً في خطر لا تخبر المعلم أو المستشار بالخطوات العملية المحددة التي يمكن اتخاذها لمساعدته. إن تحذيراً يقول "هذا الطالب سيفشل" هو أقل فائدة من دليل يقول "إذا راجع هذا الطالب هذه الصفحات الثلاث وحضر جلسة دعم واحدة، فإن فرص نجاحه ستتحسن بشكل كبير". يكمكم التحدي في تحويل درجة المخاطر الإحصائية إلى خطة ملموسة وقابلة للتنفيذ تحترم الحدود الواقعية للوقت والموارد وخصوصية الطالب.

هذه هي المشكلة المركزية التي يعالجها إطار عمل جديد يسمى SC2R، طوره باحثون لسد الفجوة بين التنبؤ بالفشل وتمكين النجاح. سعى الفريق، الذي عمل باستخدام بيانات من مجموعة بيانات تحليل تعلم الجامعة المفتوحة (Open University Learning Analytics Dataset)، إلى تجاوز مجرد درجات المخاطر البسيطة لتوليد خطط تدخل ليست ممكنة رياضياً فحسب، بل قابلة للتنفيذ فعلياً ضمن قيود الفصل الدراسي الحقيقي. لقد أدركوا أن التوصية تكون عديمة الفائدة إذا طلبت من الطالب القيام بشيء مستحيل، مثل حضور حصة بعد انتهاء الموعد النهائي، أو تغيير سمة شخصية دائمة، أو الوصول إلى مورد غير متاح. ولحل هذه المشكلة، جمعوا بين نموذج تنبؤي ونظام يتحقق من كل إجراء مقترح مقابل مجموعة من القواعد الصارمة والقابلة للقراءة آلياً فيما يتعلق بالتوقيت والميزانية والتوافر.

بنى الباحثون نظاماً يعمل في ثلاث مراحل متميزة. أولاً، ينظر النظام إلى الحالة الراهنة للطالب، ملتقطاً نشاطه الأخير وأداءه السابق في نقاط زمنية محددة قبل اختبار قادم. ثم يقوم نموذج تنبؤي بتقدير احتمالية نجاح ذلك الطالب في التقييم التالي. وإذا كانت الاحتمالية منخفضة للغاية، ينتقل النظام إلى مرحلته الثانية: توليد قائمة بالإجراءات المحتملة لتحسين النتيجة. هذه ليست اقتراحات غامضة، بل خطوات منفصلة وقابلة للعد، مثل مراجعة عدد معين من الاختبارات التجريبية أو إعادة زيارة مجموعة من صفحات المساق. يستخدم النظام طريقة تحسين رياضية لإيجاد مزيج الإجراءات الذي يقدم أفضل فرصة للنجاح مع تطلب أقل قدر من الجهد من الطالب.

ومع ذلك، فإن الابتكار الحقيقي لهذا العمل يكمن في المرحلة الثالثة، حيث يعمل النظام كحارس بوابة صارم. فقبل تقديم أي خطة إلى البشر، يتم ترجمتها إلى تنسيق رقمي مهيكل وإخضاعها لفحص التحقق الدلالي (semantic validation). وتتحقق هذه العملية من أن كل إجراء مقترح يتوافق مع واقع البيئة التعليمية؛ فهي تضمن أن الأنشطة المقترحة يمكن إكمالها قبل الموعد النهائي للاختبار، وأن إجمالي الجهد لا يتجاوز حداً معقولاً، وأن الطالب ليس مطالباً بتغيير حقائق ثابتة عن هويته أو تاريخه. كما يتحقق النظام مما إذا كانت أي موارد مطلوبة، مثل جلسة مختبر معينة أو مكتب دعم، مفتوحة ومتاحة بالفعل خلال الوقت المقترح.

عندما اختبر الباحثون إطار العمل هذا على بيانات من أكثر من 127,000 لقطة (snapshot) لحالة الطلاب، سلطت النتة الضوء على الأهمية البالغة لهذه القيود. كان المكون التنبئي للنظام قوياً، حيث حدد الطلاب المعرضين للخطر بدقة عالية وموثوقية كبيرة. والأهم من ذلك، نجح النظام في توليد آلاف خطط التدخل الموجزة، حيث تطلب متوسط الخطة إجراءً واحداً فقط لتحقيق التحسن المطلوب في احتمالية النجاح. وقد حُسب متوسط تكلفة هذه التدخلات بنحو 10.3 وحدة، وهو مقياس يمثل الجهد المطلوب. ومن الأهمية بمكان أن طبقة التحقق الدلالي كشفت أن العديد من الخطط التي بدت جيدة على الورق كانت ستُرفض في الممارسة العملية لولا هذه الفحوصات الصارمة. وفي اختبار مضبوط لـ 200 حالة، عندما طُلب من النظام مراعاة توافر الموارد، تم تصنيف ما يقرب من 13 بالمائة من الخطط التي بدت صالحة في البداية على أنها مستحيلة لأن الموارد المطلوبة لم تكن متاحة في الأوقات المقترحة.

تشير الدراسة إلى أن قيمة مثل هذا النظام لا تكمن في ضمان نجاح الطالب، بل في ضمان أن النصيحة المقدمة جديرة بالثقة وسليمة تشغيلياً. وجد الباحثون أنه بينما يمكن للنظام توليد خطط صالحة رياضياً، كانت القيود الدلالية ضرورية لتصفية تلك الخطط غير القابلة للتنفيذ عملياً. هذا التمييز حيوي لبناء الثقة بين المعلمين والذكاء الاصطناعي؛ فإذا اقترح النظام خطة يعرف المعلم أنها مستحيلة التنفيذ، فإن الأداة بأكملها تفقد مصداقيتها. ومن خلال جعل إمكانية تنفيذ الخطة قابلة للتحقق آلياً، يضمن إطار العمل أن التوصيات ليست فقط صالحة للنموذج، بل هي أيضاً ممكنة دلالياً وقابلة للتفسير.

كما بحث العمل في مدى استقرار هذه التوصيات عندما تتغير البيانات الأساسية قليلاً أو عند إعادة تدريب النموذج. أظهرت النت النتائج أن الخطط كانت مستقرة بدرجة متوسطة تجاه التغييرات الصغيرة في مدخلات الطلاب، ولكنها كانت أقل استقراراً عندما يتم تحديث النموذج التنبئي نفسه. يشير هذا إلى أنه بينما يعد إطار العمل قوياً لاتخاذ القرارات الفورية، فقد تحتاج التوصيات إلى المراجعة إذا تغيرت البيئة التعليمية أو تغير فهم النموذج لها بشكل كبير. وقد لاحظ الباحثون بعناية أن تقييمهم أُجري "خارج الخط" (offline) باستخدام بيانات تاريخية، مما يعني أنهم لم يستطيعوا إثبات أن اتباع هذه الخطط سيغير بالفعل نتائج الطلاب في بيئة حية. وتؤسس الدراسة لجدوى الطريقة، وليس للأثر السببي للتدخلات.

في نهاية المطاف، يقدم هذا البحث طريقة جديدة للتفكير في الدعم التعليمي. إنه ينقل الحوار من مجرد تحديد من هم المعرضون للخطر إلى تحديد ما يمكن فعله حيال ذلك، بشرط أن يحترم الحل الشبكة المعقدة من الوقت والموارد والقواعد التي تحكم التعليم. ومن خلال معاملة تخطيط التدخل كمشكلة تتطلب كلاً من التحسين الرياضي وفحوصات الواقع الدلالي، يوفر إطار العمل مساراً نحو دعم القرار الذي يكون عملياً بقدر ما هو تنبؤي. وتشير النتائج إلى أنه لكي يكون الذكاء الاصطناعي مفيداً حقاً في التعليم، يجب أن يكون قادراً على التحدث بلغة الفصل الدراسي، وفهم ليس فقط الأرقام، بل أيضاً القيود التي تجعل تلك الأرقام ذات معنى.