💻 computer science

A Unified Survival Benchmark for Temporal Dropout Risk Prediction in Learning Analytics

تقدم هذه الورقة معياراً موحداً ومتعدد الأبعاد للبقاء من أجل التنبؤ بمخاطر التسرب الزمني باستخدام مجموعة بيانات OULAD، مما يثبت أن الإشارات السلوكية والزمنية تتفوق على السمات الثابتة مع تسليط الضوء على ضرورة فصل عائلات النماذج لتجنب العيوب التقييمية.

المؤلفون الأصليون: Rafael da Silva, Jeff Eicher, Gregory Longo

نُشر 2026-08-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Rafael da Silva, Jeff Eicher, Gregory Longo

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في كل فصل دراسي، تواجه الجامعات أزمة صامتة: طلاب يبدؤون مساقاتهم لكنهم لا يكملونها أبداً. لعقود من الزمن، حاول التربويون التنبؤ بمن يُحتمل أن ينسحب، آملين في تقديم المساعدة قبل فوات الأوان. هذا المجال، المعروف باسم تحليلات التعلم، يعامل بيانات الطلاب كخريطة، بحثاً عن أنماط تشير إلى وجود مشكلة. تقليدياً، كانت هذه الخرائط عبارة عن لقطات ثابتة، مبنية على خلفية الطالب، أو عمره، أو درجاته من السنوات السابقة. لكن رحلة الطالب ليست صورة فوتوغرافية واحدة؛ بل هي فيلم يُعرض أسبوعاً بعد أسبوع. إن خطر ترك المساق لا يستقر في مكان واحد؛ بل يتغير وينمو مع تفاعل الطالب مع المواد عبر الإنترنت، أو تفويت المواعيد النهائية، أو ببساطة التوقف عن النقر عبر موقع المساق الإلكتروني. كان السؤال الجوهري للباحثين هو ما إذا كان بإمكاننا بناء خريطة أفضل عبر مشاهدة هذا الفيلم في الوقت الفعلي، بدلاً من مجرد النظر إلى تترات البداية.

وضع فريق من الباحثين في جامعة إيسترن (Eastern University) هدفاً للإجابة على هذا السؤال من خلال بناء نوع جديد من الاختبارات لمقارنة طرق مختلفة للتنبؤ بتسرب الطلاب. استخدموا مجموعة ضخمة ومعروفة من البيانات من الجامعة المفتوحة (Open University)، والتي تتبع آلاف الطلاب عبر عدة مساقات. وبدلاً من مجرد إعلان فوز نموذج حاسوبي واحد، صمموا تجربة صارمة تحترم الفرق بين طريقتين متميزتين للنظر إلى الزمن. إحدى المجموعات، التي أطلقوا عليها اسم عائلة "الأسبوعي الديناميكي" (Dynamic Weekly)، راقبت الطلاب أسبوعاً بأسبوع، وتحدثت تنبؤاتها في كل مرة يظهر فيها نشاط جديد. أما المجموعة الأخرى، وهي عائلة "النافذة المبكرة الثابتة" (Static Early-Window)، فقد اتبعت نهجاً مختلفاً: حيث نظرت فقط إلى الأسابيع الأربعة الأولى من سلوك الطالب ثم قدمت تنبؤاً واحداً ثابتاً لبقية المساق. ولم يعامل الباحثون هذين النهجين كخصمين للتصنيف ضد بعضهما البعض، بل كعدستين مختلفتين لرؤية نفس الظاهرة، مما ضمن أن تكون المقارنة عادلة وألا تُشوه النتائج بسبب طريقة تنظيم البيانات.

قارنت الدراسة أربعة عشر نموذجاً حاسوبياً، تراوحت من الأدوات الإحصائية البسيطة إلى أنظمة الذكاء الاصطناعي المعقدة. وقاس الباحثون مدى قدرة كل نموذج على القيام بشيئين: تصنيف الطلاب بشكل صحيح حسب مستوى خطورتهم، وتقديم رقم احتمالي يطابق العدد الفعلي للطلاب الذين تسربوا. ولأن المجموعتين تستخدمان صياغات مختلفة للمخاطر، فقد أبلغ الباحثون عن النتائج داخل كل عائلة على حدة بدلاً من إنشاء تصنيف واحد مدمج. وضمن مجموعة "النافذة المبكرة الثابتة"، برز نموذج يسمى "غابة البقاء العشوائية" (Random Survival Forest) كأكثر النماذج موثوقية. لقد كان الأفضل في تحديد الطلاب المعرضين للخطر، والأهم من ذلك، كانت تقديراته الاحتمالية دقيقة للغاية. فعلى سبيل المثال، عندما توقع هذا النموذج احتمال تسرب طالب بنسبة ثلاثين بالمائة، كان معدل التسرب الفعلي لتلك المجموعة من الطلاب قريباً جداً من ثلاثين بالمائة. وهذه الدقة حيوية لأنها تعني أن المدارس يمكنها الوثوق بالأرقام لاتخاذ قرار بشأن من يحتاج إلى المساعدة. وضمن مجموعة "الأسبوعي الديناميكي"، تجمعت النماذج بشكل وثيق جداً في الأداء، حيث أظهر نموذج "بواسون للنموذج الأسي الجزئي" (Poisson Piecewise-Exponential) تفوقاً طفيفاً في مقياس واحد محدد، رغم عدم هيمنة أي نموذج بمفرده على جميع المقاييس.

ولعل الاكتشاف الأكثر أهمية لم يكن يتعلق بأي نموذج حاسوبي هو الأكثر ذكاءً، بل بما من المعلومات استخدمته النماذج لاتخاذ قراراتها. اختبر الباحثون ذلك من خلال إزالة أنواع مختلفة من البيانات من النماذج، واحداً تلو الآخر. جردوا النماذج من المعلومات الخلفية الثابتة، مثل عمر الطالب، أو جنسه، أو تعليمه السابق. ثم جردوا النماذج من البيانات السلوكية، مثل عدد مرات نقر الطالب على المواد الدراسية أو عدد الأسابيع التي كان فيها نشطاً. كانت النتائج واضحة ومتسقة عبر جميع النماذج تقريباً: المعلومات الخلفية لم تكن مهمة تقريباً. وعندما تمت إزالة البيانات السلوكية، انهارت قدرة النماذج على التنبؤ بالتسرب. كانت الإشارة المهيمنة ليست من هو الطالب، بل ماذا يفعل. وتحديداً، كان عدد النقرات في الأسابيع الأربعة الأولى وعدد الأسابيع النشطة هما أقوى المتنبئات. وهذا يشير إلى أن التسرب ليس سمة ثابتة في الشخص، بل هو عملية تتكشف من خلال انخراطه اليومي.

كما كشفت الدراسة أيضاً أن النماذج ليست متساوية في الموثوقية. وبينما قدمت معظم النماذج الرائدة تقديرات احتمالية صادقة، فإن نموذجاً واحداً في المجموعة الثابتة، يسمى "إكس جي بوست إيه إف تي" (XGBoost AFT)، كان أداؤه ضعيفاً بشكل عام؛ حيث عانى في تصنيف الطلاب بشكل صحيح وكانت تقديراته الاحتمالية بعيدة تماماً عن الواقع، مما يشير إلى أن بنيته الرياضية لم تكن مرنة بما يكفي للتعامل مع الطبيعة المتغيرة لمخاطر الطلاب. ويعزز هذا الاكتشاف فكرة أن الطريقة التي يُبنى بها النموذج لا تقل أهمية عن البيانات التي يراها. وخلص الباحثون إلى أنه بالنسبة للمؤسسات التي تتطلع إلى بناء أنظمة إنذار مبكر، فإن النهج الأفضل هو استخدام نموذج يركز على سلوك الشهر الأول. يمكنهم تقييم الطلاب في نهاية الأسبوع الرابع باستخدام بيانات بسيطة مثل عدد النقرات والأسابيع النشطة، وتحديد أولئك الذين لديهم خطر عالٍ من التسرب، ثم التدخل. لم تدّع الدراسة أن هذه الطريقة تعمل لكل جامعة أو كل مساق، حيث جاءت البيانات من مجموعة محددة من الوحدات الدراسية، لكنها قدمت إطاراً واضحاً وموحداً لفهم كيفية قياس المخاطر. والخلاصة هي أن طريق البقاء في الدراسة معبد بالأفعال اليومية، وأفضل طريقة للتنبؤ بمن سيغادر هي مراقبة تلك الأفعال عن كثب، بدلاً من الاعتماد على من كان عليه الطالب قبل وصوله.

A Unified Survival Benchmark for Temporal Dropout Risk Prediction in Learning Analytics

ملخص تقني: معيار موحد للبقاء للتنبؤ بمخاطر التسرب الزمني في تحليلات التعلم

بيان المشكلة

المنهجية

1. العائلات التمثيلية

2. هندسة الميزات

3. بروتوكول التقييم الموحد

النتائج الرئيسية

1. الأداء التنبئي

2. عز التوقيع (الاستبعاد والتفسير)

3. المعايرة

الأهمية والادعاءات