EMSEIF Provides an Explainable AI Framework for Multi Stakeholder Curriculum Feedback and Quality Assurance in Higher Education

تعد الجامعات أماكن شاسعة غنية بالبيانات، وغالباً ما تكافح لتحويل الحجم الهائل من المعلومات التي تجمعها إلى إجراءات ملموسة. ففي كل عام، يقوم الطلاب والمعلمون والخريجون والآباء وأصحاب العمل بملء النماذج، وكتابة التعليقات، والجلوس في لجان لمناقشة مدى فعالية المناهج الدراسية. هذا التغذية الراجعة هي شريان الحياة لضمان الجودة، ومع ذلك، في العديد من المؤسسات، تضيع هذه البيانات في ضباب من القراءة اليدوية، والرسوم البيانية المئوية البسيطة، ومحاضر اللجان التي يصعب تتبعها وصولاً إلى قرارات محددة. إن التحدي الجوهري ليس نقص المعلومات، بل نقص الوضوح: كيف يمكنك أخذ آلاف الأصوات الفردية، لكل منها منظور مختلف وطريقة مختلفة في التعبير، وترجمتها إلى خطة واضحة وعادلة وقابلة للتنفيذ للتحسين؟

هنا يأتي دور مجال تنقيب البيانات التعليمية، الذي يحاول استخدام الحواسيب لإيجال الأنماط في التغذية الراجعة البشرية. ومع ذلك، فإن مجرد سؤال الحاسوب عما إذا كان التعليق "جيداً" أو "سيئاً" غالباً ما يكون أداة بدائية للغاية. فقد يثني طالب على طاقة المعلم بينما يشتكي في الوقت نفسه من افتقار المساق للمشاريع الواقعية. ولكي يكون النظام مفيداً، يجب أن يفهم هذه الفروق الدقيقة، ويحدد بالضبط الجزء الذي يتم مناقشته من المنهج الدراسي، ويوضح لماذا توصل إلى هذا الاستنتاج. علاوة على ذلك، ولأن هذه القرارات تؤثر على تعليم الناس ومسيراتهم المهنية، لا يمكن للنظام أن يكون "صندوقاً أسود"؛ بل يجب أن يكون شفافاً بما يكفي لتمكين القادة البشريين من الثقة في اقتراحاته والتحقق من عدالته.

لقد طور باحثون في جامعة "إم آي تي" للفنون والتصميم والتكنولوجيا (MIT ADT) في الهند إطار عمل جديد يسمى EMSEIF لحل هذه المشكلة. وبدلاً من مجرد بناء أداة أخرى تتنبأ بالنتائج، أنشأوا نظاماً متكاملاً يربط التغذية الراجعة الخام بتغييرات المناهج الدراسية الملموسة مع إبقاء الإنسان مسؤولاً عن القرار النهائي. اختبر الفريق نظامه باستخدام مجموعة بيانات ضخمة من الواقع: سجلات ضمان الجودة السنوية للعام 2023-24 من جامعتهم نفسها. كانت هذه الأرشيف عبارة عن وثيقة مكونة من 1,542 صفحة تحتوي على آلاف نماذج التغذية الراجعة، وجداول التقييم، والخطابات الرسمية. قام الباحثون بتحويل هذا الأرشيف بالكامل إلى مكتبة رقمية مهيكلة تضم 8,742 وحدة تغذية راجعة فردية، مع ضمان وسم كل قطعة من البيانات بهوية القائل، والقسم الذي تنتمي إليه، والموضوع المحدد الذي تتناوله.

إن جوهر النظام يكمن في قدرته على الاستماع إلى الأصوات المختلفة دون تسطيحها. ففي الجامعة التقليدية، قد يطلب طالب المزيد من "الممارسة العملية"، بينما قد يطلب صاحب عمل "التعرض للصناعة". يبدو هذان الطلبان مختلفين، لكنهما يطلبان الشيء نفسه. لقد علم الباحثون نظامهم كيفية التعرف على هذه الطرق المختلفة في التحدث وتجميعها تحت موضوع مشترك، مثل "التعرض العملي". كما بنوا خريطة رقمية، تُعرف باسم "الرسم البياني للمعرفة" (knowledge graph)، تربط هذه المواضيع بمساقات وأهداف تعليمية محددة. وهذا يسم يسمح للنظام برؤية أن طلباً لـ "المزيد من المشاريع" في قسم ما مرتبط بطلب لـ "معدات أفضل" في قسم آخر، مما يخلق صورة موحدة لما يجب تغييره.

ولضمان موثوقية النظام، صممه الباحثون ليكون قابلاً للتفسير. فعندما يقترح الحاسوب تغييراً ما، فإنه لا يكتفي بإعطاء إجابة بنعم أو لا فقط، بل ينتج "بطاقة دليل" توضح بالضبط الكلمات في التغذية الراجعة التي أدت إلى الاقتراح، ومدى ثقة النظام، وما إذا كان الناس من مجموعات مختلفة — مثل الطلاب وأصحاب العمل — يتفقون على هذه القضية. وإذا اكتشف النظام أنه يعامل مجموعة من الناس بشكل غير عادل، فإنه يرفع علامة للتدقيق البشري قبل اتخاذ أي توصية. هذا النهج القائم على "الإنسان في الحلقة" (human-in-the-loop) يعني أن الحاسوب يتولى المهام الشاقة من فرز وتحليل البيانات، ولكن يجب على قائد أكاديمي بشري دائماً الموافقة على الإجراء النهائي.

أظهرت نتائج الدراسة أن هذا النهج يعمل بشكل أفضل بكثير من الطرق القديمة. فعند اختباره مقابل النماذج الحاسوبية القياسية، كان النظام الجديد أكثر دقة في تحديد مشكلات المناهج الدراسية المحددة والتنبؤ بالتغذية الراجعة القابلة للتنفيذ. وقد نجح في تحديد ثلاثة مجالات رئيسية اتفق عليها جميع أصحاب المصلحة بضرورة التغيير: الحاجة إلى المزيد من التعلم العملي والتطبيقي، والحاجة إلى تحديث المهارات في الذكاء الاصطعي والأدوات الرقمية، والحاجة إلى إعداد الطلاب بشكل أفضل لسوق العمل. على سبيل المثال، وجد النظام أنه بينما كان طلاب برنامج الفضاء راضين بشكل عام، إلا أنهم أرادوا تحديداً وصولاً أكبر إلى نماذج الطائرات والزيارات الميدانية، وهو تفصيل قد يتم إغفاله في درجة رضا عامة بسيطة.

والأهم من ذلك، أثبتت الدراسة أن النظام يمكنه الحفاظ على العدالة عبر المجموعات المختلفة. فقبل إجراء التعديلات، أظهر النظام تحيزات طفيفة حيث كان أقل دقة بالنسبة لأقسام أو أدوار معينة من أصحاب المصلحة. ومن خلال تطبيق تصحيحات محددة، تمكن الباحثون من خفض هذه الفجوات إلى مستوى يلبي معايير الحوكمة الصارمة، مما يضمن عدم تجاهل أي صوت بشكل منهجي. كما أثبت النظام قدرته على مواءمة اقتراحاته مع الإجراءات الفعلية التي اتخذتها الجامعة. فعندما قارن الباحثون توصيات الحاسوب مع رسائل "الإجراء المتخذ" ومحاضر اللجان الرسمية من الجامعة، وجدوا تطابقاً قوياً، مما يثبت أن النظام لم يكن يولد أفكاراً فحسب، بل كان يحدد التغييرات ذاتها التي كانت المؤسسة تحاول القيام بها بالفعل.

ويؤكد الباحثون بحذر أن هذا ليس عصا سحرية تحل جميع المشكلات التعليمية تلقائياً. فالنظام هو أداة للدعم، وليس بديلاً للحكم البشري. فهو لا يمكنه تقرير ما هو أفضل منهج دراسي، بل يمكنه فقط تنظيم الأدلة بحيث يمكن للأشخاص الذين يتخذون هذه القرارات رؤية الصورة الكاملة بوضوح. كما تسلط الدراسة الضوء على أنه بينما عمل النظام بشكل جيد داخل هذه الجامعة المحددة، فإن تطبيقه في مكان آخر سيتطلب تعديلات محلية لتناسب الثقافات والقواعد المختلفة. ومع ذلك، فإن هذا العمل يوفر مخططاً واضحاً وقابلاً للتكرار لكيفية انتقال الجامعات من جمع التغذية الراجعة إلى استخدامها فعلياً، وإغلاق الحلقة بين ما يقوله الناس وما تفعله المؤسسات.

في النهاية، تقدم الدراسة طريقة جديدة للتفكير في ضمان الجودة. فهي تشير إلى أن قيمة التغذية الراجعة لا تكمن في الدرجة النهائية أو متوسط التقييم، بل في الأدلة المحددة والقابلة للتنفيذ المخبأة داخل التعليقات. ومن خلال الجمع بين التحليل الحاسوبي المتقدم والإشراف البشري والالتزام بالعدالة، أظهر الباحثون أنه من الممكن تحويل جبل فوضوي من الأوراق إلى مسار واضح وقابل للملاحة من أجل التحسين. لا يخبر النظام الجامعات بما هو خاطئ فحسب، بل يوضح لها بالضبط أين تنظر، ولماذا يهم الأمر، وكيفية إصلاحه، مع إبقاء الصوت البشري في قلب العملية.