A Multi-Modal Learning Analytics Framework for Academic Early Warning and Student Risk Prediction in Higher Education
تقترح هذه الدراسة وتتحقق من صحة إطار عمل لتحليلات التعلم متعدد الوسائط يدمج بيانات أكاديمية، وديموغرافية، وسلوكية، ونفسية متنوعة مع نماذج الأشجار التجميعية المتقدمة للتنبؤ بدقة بمستويات مخاطر الطلاب (منخفضة، متوسطة، عالية) وتمكين التدخل الأكاديمي الاستباقي في التعليم العالي.
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
تخيل مدرسة ليس كمكتبة هادئة مليئة بالكتب المغبرة، بل كمركبة فضائية تقنية عالية الضجيج تبحر في بحر هائج. أعضاء الطاقم هم الطلاب، وحاسوب السفري يراقب باستمرار علاماتهم الحيوية للتأكد من بقاء الجميع على المسار الصحيح. لفترة طويلة، لم يكن طاقم السفينة يتحقق من السجلات إلا بعد أن يبدأ أحدهم في الغرق — بانتظار فشل الطالب في عدة مواد قبل إرسال المساعدة؛ لكن هذا يشبه انتظار خروج الدخان من المحرك قبل استدعاء الميكانيكي؛ فبحلول ذلك الوقت، غالباً ما يكون الأوان قد فات لإنقاذ السفينة. يحاول العلماء في مجال "تحليلات التعلم" تغيير ذلك. إنهم يستخدمون طريقة تسمى "تنقيب البيانات التعليمية"، وهي تشبه تماماً كونك محققاً ذكياً للغاية يبحث في آلاف الأدلة الصغيرة — كم تقضي من الوقت في الدراسة، وكم مرة تسجل دخولك، وحتى كيف تشعر — للتنبؤ بمن قد يقع في ورطة قبل حدوثها. السؤال الكبير الذي يطرحونه هو: هل يمكننا بناء بلورة سحرية لا تخبرنا فقط بمن سيفشل، بل تخبرنا بالضبط كيف يعاني حتى نتمكن من مساعدته في الوقت المناسب؟
هذه الورقة البحثية تدور حول بناء تلك البلورة السحرية، ولكن مع لمسة مختلفة: فبدلاً من النظر إلى الدرجات فقط، قام الباحثون ببناء إطار عمل "متعدد الأنماط". فكر في هذا كأثر محقق لا يكتفي بالنظر إلى تقرير درجات المشتبه به، بل يفحص أيضاً مذكراته، وعاداته على وسائل التواصل الاجتماعي، وخلفيته العائلية، وحتى جدول نومه، كل ذلك في آن واحد. قام الفريق، بقيادة "تشوتاو فانغ" وزملالاء من جامعة مينزو العادية في شينغي، بجمع بيانات من 1,194 طالباً جامعياً حقيقياً. لم ينظروا إلى شيء واحد فحسب؛ بل دمجوا 31 نوعاً مختلفاً من المعلومات، بدءاً من "المعدل التراكمي الحالي" (مدى جودة أدائهم الآن) وصولاً إلى "ساعات التواصل الاجتماعي اليومية" (الوقت الذي يقضونه في التصفح) وحتى "الحالة المعيشية" (ما إذا كانوا يعيشون بمفردهم أو مع عائلاتهم).
أراد الباحثون معرفة ما إذا كان بإمكانهم تصنيف هؤلاء الطلاب إلى ثلاث مجموعات واضحة: "منخفض المخاطر" (آمنون ويبحرون بسلاسة)، و"متوسط المخاطر" (مهتزون قليلاً، ويحتاجون إلى دفعة)، و"عالي المخاطر" (على وشك الانقلاب). وللقيام بذلك، استخدموا حيلة ذكية تسمى "واحد مقابل الكل" (One-vs-Rest). تخيل أن لديك ثلاثة حراس أمن مختلفين. مهمة الحارس الأول الوحيدة هي رصد الطلاب "عالي المخاطر" وتجاهل الجميع غيرهم. والحارس الثاني يبحث فقط عن "متوسط المخاطر"، والثالث يبحث فقط عن "منخفض المخاطر". ومن خلال جعلهم يعملون معاً، يمكن للنظام اتخاذ قرار دقيق جداً حول الفئة التي ينتمي إليها الطالب.
قبل أن يبدأوا حتى في تدريب نماذج الحاسوب الخاصة بهم، استخدم الفريق أداة تصور خاصة تسمى t-SNE. يمكنك التفكير في هذا كخريطة سحرية تضغط غرفة ضخمة ذات 31 بُعداً وتحولها إلى مخطط أرضي مسطح ثنائي الأبعاد. عندما رسموا الطلاب على هذه الخريطة، رأوا شيئاً مذهلاً: تجمع الطلاب "عالي المخاطر" بشكل طبيعي في جزر ضيقة ومعزولة، بينما شكل الطلاب "منخفض المخاطر" جزرهم المتميزة الخاصة. أثبت هذا أن الأدلة التي كانوا يبحثون عنها كانت فعالة حقاً في فصل المجموعات، تماماً كما يمكن لماسح بصمات الأصابع الجيد أن يميز بين شخصين فوراً.
عندما اختبروا نموذجهم النهائي، كانت النتائج مبهرة. كان الحاسوب مثل قبطان متمرس يمكنه النظر إلى بيانات الطالب والقول: "هذا الطالب مرجح بنسبة 95% أن يكون في مجموعة المخاطر العالية"، بثقة عالية جداً. ما هو الدليل الأكثر أهمية؟ درجات الطالب من الفصل الدراسي السابق. اتضح أن أداءك السابق هو أقوى مؤشر لأدائك المستقبلي، حيث يعمل مثل مرساة ثقيلة تسحبك في نفس الاتجاه. ومع ذلك، وجد النموذج أيضاً أن قضاء وقت طويل جداً على وسائل التواصل الاجتماعي كان علامة خطر، بينما كان حضور الحصص والدراسة يومياً علامات جيدة. ومن المثير للاهتمام أن أموراً مثل دخل الأسرة أو الجنس لم يبدُ أن لها رابط مباشر وبسيط مع الدرجات في هذه المجموعة من البيانات تحديداً، مما يشير إلى أن العادات اليومية تهم أكثر من الخلفية في هذا السياق.
تشير الدراسة إلى أن هذا النوع من الأنظمة يمكن أن يغير قواعد اللعبة في الجامعات. فبدلاً من انتظار فشل الطالب، يمكن للنظام إرسال تنبيه تلقائي إلى المستشار في اللحظة التي يتجاوز فيها "درجة مخاطر" الطالب خطاً معيناً. وهذا من شأنه أن يسمح بـ "التدخل الاستباقي"، مما يعني أنه يمكن للمستشار الجلوس مع الطالب والقول: "مهلاً، لاحظنا أنك تقضي وقتاً طويلاً على وسائل التواصل الاجتماعي وأن حضورك يتراجع. دعنا نجد حلاً لهذا معاً"، وذلك قبل أن يرسب الطالب فعلياً في مقرر ما. وجد الباحثون أن نموذجهم كان دقيقاً للغاية، ونادراً ما يرتكب الأخطاء، ولم يرتبك حتى عندما كان عدد الطلاب "عالي المخاطر" أقل من الطلاب "منخفضي المخاطر".
ومع ذلك، يوضح المؤلفون بحذر أن نظامهم ليس سحراً مثالياً. فبعض البيانات جاءت من استطلاعات رأي ملأها الطلاب عن أنفسهم، مما يعني أن الناس قد يكونون كذبوا أو نسوا بعض التفاصيل. أيضاً، النموذج هو "صندوق أسود" في بعض جوانبه؛ فبينما يتنبأ بالمخاطر بشكل جيد، فإنه لا يشرح دائماً "السبب" بطريقة يمكن للمستشار البشري فهمها بسهولة. يقترح الفريق أنه في المستقبل، يمكنهم جعل النظام أفضل من خلال ربطه مباشرة بسجلات الوقت الفعلي من منصات التعلم عبر الإنترنت، بحيث يمكنه رؤية ما يفعله الطالب بالضبط في اللحظة التي ينقر فيها على زر، بدلاً من الانتظار حتى يملأ استمارة. أما في الوقت الحالي، فإن هذا البحث يظهر أنه من خلال الجمع بين الدرجات، والعادات، وتفاصيل الحياة، يمكننا بناء شبكة أمان أذكى للطلاب، وتحويل حاسوب السفينة من مسجل سلبي إلى حارس نشط.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.