في الفصل الدراسي الحديث، تحدث ثورة هادئة، لا يقودها كتب مدرسية جديدة أو أساليب تدريس مبتكرة، بل يقودها الهمس غير المرئي للبيانات. بدأت المدارس تتحول بشكل متزايد إلى بيئات "ذكية"، مليئة بالأجهزة التي يمكنها رؤية وسماع وتسجيل الإيقاع اليومي للتعلم. هذه هي أدوات "إنترنت الأشياء"، وهي شبكة من الأشياء المتصلة التي تجمع معلومات عن العالم من حولها. وفي المدرسة، قد يعني هذا مستشعراً يتتبع متى يدخل الطالب إلى الغرفة، أو جهازاً قابلاً للارتداء يراقب مستوى التفاعل، أو نظاماً رقمياً يسجل كل مرة ينقر فيها الطالب على رابط في درس عبر الإنترنت. وإلى جانب هذه المستشعرات، تكمبط قوة "تعلم الآلة"، وهو فرع من علوم الحاسوب حيث يتعلم البرنامج كيفية إيجاد الأنمات في كميات هائلة من المعلومات دون أن يُخبر صراحة بما يجب البحث عنه. لسنوات طويلة، اعتمد التربويون على درجات الاختبارات وكشوف الحضور لتخمين مدى تقدم الطالب، لكن هذه السجلات غالباً ما تكون مجرد لقطة للماضي. والسؤال الآن هو ما إذا كان بإمكاننا استخدام هذا التدفق من البيانات في الوقت الفعلي لفهم رحلة تعلم الطالب أثناء حدلها، وما إذا كان بإمكاننا الوثوق بالحاسوب ليخبرنا بما يراه.

اقترحت ديبالي شارما، وهي باحثة في جامعة "غرافيك إيرا" (Graphic Era) في الهند، طريقة جديدة للإجابة على هذا السؤال. يركز عملها على طلاب المرحلة المتوسطة، وهي فترة حرجة تتشكل فيها عادات التعلم، وتقترح إطار عمل يجمع بين البيانات من الفصول الدراسية الذكية وخوارزميات الحاسوب المتقدمة للتنبؤ بالأداء الأكاديمي. الفكرة الجوهرية بسيطة ولكنها عميقة: بدلاً من انتظار فشل الطالب في اختبار ما، يراقب النظام سلوكه اليومي — مدى تكرار مشاركته، وكيفية تفاعله مع الأدوات الرقمية، وحتى مستويات درجة الحرارة والضوضاء في فصله الدراسي — للتنبؤ بنجاحه المستقبلي. ومع ذلك، هناك عقبة كبيرة؛ فأنظمة الحاسوب الأكثر قوة والتي يمكنها إجراء هذه التنبؤات غالباً ما تعمل مثل "الصندوق الأسود"؛ فهي تقدم إجابة، ولكن لا أحد يعرف كيف توصلت إليها. لا يمكن للمعلمين الوثوق بنظام لا يفهمونه، خاصة عندما يشير هذا النظام إلى أن طالباً يحتاج إلى مساعدة إضافية. تعالج أبحاث شارما هذا الأمر من خلال دمج عنصر ثالث: "الذكاء الاصطناعي القابل للتفسير". وهذا عبارة عن مجموعة من التقنيات المصممة لفتح الصندوق الأسود، وإجبار الحاسوب على إظهار خطوات عمله وتوضيح العوامل التي أدت بالضبط إلى تنبؤه.

يبدأ إطار العمل الذي تصفه شارما بجمع نسيج غني من البيانات. تخيل فصلاً دراسياً حيث يتصل كل طالب بنظام بيئي رقمي. تتبع أنظمة تحديد الهوية بموجات الراديو (RFID) الحضور في اللحظة التي يدخل فيها الطالب، بينما تراقب الأجهزة القابلة للارتداء والمستشعرات البيئية الظروف المادية للغرفة، مثل الضوء والضوضاء. وفي الوقت نفسه، تسجل أنظمة إدارة التعلم كل واجب يتم تسليمه، وكل اختبار قصير يتم خوضه، وكل دقيقة يقضيها الطالب على منصة رقمية. تتدفق كل هذه المعلومات إلى قاعدة بيانات مركزية، مما يخلق صورة مفصلة لحياة الطالب في المدرسة تتجاوز بكثير الدرجة النهائية. وقبل أن يتمكن الحاسوب من التعلم من هذه البيانات، يجب تنظيفها وتنظيمها، وإزالة الأخطاء وملء الفجوات حتى تصبح الأنماط واضحة. ثم يختار الباحثون القطع الأكثر أهمية من هذه الأحجية، مثل نسب الحضور، ومدى إكمال الواجبات المنزلية، وعدد مرات تفاعل الطالب مع نظام التعلم عبر الإنترنت. تصبح هذه التفاصيل المحددة هي المكونات الأساسية لنماذج تعلم الآلة.

ولفهم هذه البيانات المعقدة، تستخدم الدراسة نوعين قويين من خوارما الحاسوب المعروفة باسم "أساليب التجميع" (Ensemble Methods). أحدهما يسمى "الغابة العشوائية" (Random Forest)، والذي يعمل من خلال بناء العديد من أشجار القرار المختلفة وطلب التصويت منها على النتيجة، تماماً مثل مجموعة من الخبراء يتناقشون في قضية ما للوصول إلى إجماع. والآخر هو "XGBoost"، وهو أسلوب يبني نموذجاً خطوة بخطوة، ويصحح أخطاءه باستمرار ليصبح أكثر دقة مع كل تكرار. تم اختيار كلا الطريقتين لأنهما بارعتان للغاية في التعامل مع البيانات الواقعية غير المنتظمة، وأقل عرضة للخداع بواسطة الضوضاء العشوائية. وعند تدريب هذه النماذج على البيانات التعليمية المجموعة، يمكنها التنبؤ بدقة عالية بما إذا كان الطالب من المحتمل أن يعاني أو ينجح. لكن التنبؤ ليس سوى نصف المعركة؛ فإذا قيل للمعلم إن طالباً "في خطر"، فإنه يحتاج إلى معرفة السبب. هل هو بسبب غياب الطالب المتكرر؟ أم لأنه توقف عن تسجيل الدخول إلى نظام الواجبات المنزلية؟ أم لأن الفصل الدراسي كان صاخباً للغاية؟

هنا يأتي دور الذكاء الاصطناعي القابل للتفسير، ليعمل كمترجم بين الحاسوب المعقد والمعلم البشري. يستخدم إطار العمل أداتين محددتين، هما SHAP وLIME، لتقشير طبقات التنبؤ. ينظر SHAP إلى الصورة الكبيرة، موضحاً العوامل التي تهم جميع الطلاب بشكل عام، بينما يركز LIME على طالب واحد ليشرح سبب حصول ذلك الطفل تحديداً على تنبؤ معين. إذا أشار النظام إلى أن طالباً يحتاج إلى مساعدة، فيمكنه الآن تحديد السمات المحددة التي ساهمت في تلك النتيجة، مثل انخفاض في إكمال الواجبات أو عدم تسجيل الدخول مؤخراً إلى النظام. هذه الشفافية أمر بالغ الأهمية؛ فهي تحول الحاسوب من عراف غامض إلى مساعد مفيد يقدم تفسيرات قائمة على الأدلة. يمكن للمعلم بعد ذلك النظر في التفسير، والتحقق منه مقابل ملاحظاته الخاصة، وتصميم تدخل شخصي يعالج المشكلة المحددة، بدلاً من التخمين فيما قد يكون خطأً.

تشير الأبحاث إلى أنه من خلال الجمع بين هذه الركائز الثلاث — البيانات في الوقت الفعلي من إنترنت الأشياء، والقوة التنبؤية لتعلم الآلة التجميعي، ووضوح الذكاء الاصطناعي القابل للتفسير — يمكن للمدارس الانتقال من التعليم القائم على رد الفعل إلى التعليم الاستباقي. النتيجة المتوقعة هي نظام يحدد الطلاب المتعثرين في وقت مبكر أكثر من أي وقت مضى، ليس من خلال انتظار درجة سيئة، بل من خلال ملاحظة التحولات الطفيفة في السلوك التي تسبقها. إنها تعد بمنح المعلمين رؤية واضحة للعوامل المؤثرة في طلابهم، مما يسمح لهم بتكييف دعمهم وفقاً للاحتياجات الفردية لكل طفل. وبينما يعد هذا البحث حالياً إطار عمل مقترح ولم يتم اختباره بعد في فصل دراسي حي مع طلاب حقيقيين، إلا أن المنطق سليم والإمكانات كبيرة. فهو يقدم مساراً نحو مستقبل لا يحل فيه التكنولوجيا محل المعلم، بل تمكنه من خلال فهم أعمق وأكثر فورية لعملية التعلم، مما يضمن عدم مرور أي طالب دون ملاحظة وقوعه في الفجوات.