Learning Analytics and Early Warning Systems for Mathematics Achievement: A Multi-Country Comparative Programme Evaluation
تُوجز هذه المراجعة الأدلة المستمدة من ثلاثين دراسة عبر دول متعددة لتقييم آثار التصميم والأداء والعدالة لأنظمة تحليلات التعلم والإنذار المبكر للتحصيل في الرياضيات، مع تسليط الضوء على قدرتها التنبؤية مع تحديد الفجوات الحرجة في العدالة الخوارزمية، وقابلية المقارنة بين الدول، ودمج الرؤى التشخيصية الخاصة بالمجال.
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 عالم التعليم كأنه محطة قطارات ضخمة ومزدحمة. لعقود من الزمن، حاول مديرو المحطات (المعلمون والإداريون) معرفة أي الركاب (الطلاب) قد يفوتهم القطار (يرسب في مادة أو ينسحب من الدراسة). في السابق، كانوا يخمنون بناءً على من يبدو عليه النعاس أو من لم يشترِ تذكرة بعد. ولكن في السنوات العشر الماضية، تم تحديث المحطة بنظام رقمي فائق الذكاء. هذا النظام، المسمى تحليلات التعلم (Learning Analytics)، يشبه شبكة كاميرات عملاقة وغير مرئية تراقب كل خطوة يخطوها الراكب. فهو يسجل عدد المرات التي يتحقق فيها من لوحة المواعيد، ومدة تأمله في الجدول الزمني، ومدى سرعة ركضه نحو الرصيف.
ومن جبل البيانات هذا، تم بناء أداة محددة تسمى نظام الإنذار المبكر (EWS). فكر في الأمر كإشارة "علم أحمر" رقمي يظهر على شاشة الموصل. عندما يرصد النظام نمطًا يوحي بأن راكبًا على وشك تفويت قطاره، فإنه يرسل تنبيهًا حتى يتم إرسال المساعدة فورًا. السؤال الكبير الذي يتساءله الجميع هو: هل يعمل هذا النظام عالي التقنية حقًا لمساعدة الناس في تعلم الرياضيات؟ وإذا نجح في بلد ما، فهل سينجح في بلد آخر؟ هذه هي قصة دراسة جديدة ذهبت للبحث عن الإجابات من خلال مقارنة كيفية استخدام دول مختلفة لشبكات الأمان الرقمية هذه.
مهمة إنقاذ الرياضيات: فحص عالمي
هذه الورقة البحثية هي بمثابة "فحص طبي" ضخم لثلاثين دراسة من جميع أنحاء العالم، تبحث في كيفية استخدام المدارس في أماكن مثل تشيلي وألمانيا والمملكة المتحدة والمكسيك لأنظمة الإنذار المبكر الرقمية هذه لمساعدة الطلاب الذين يعانون في الرياضيات. لم ينظر الباحثون إلى الأرقام فحسب؛ بل نظروا إلى كيفية بناء هذه الأنظمة، وما الذي كانوا يراقبونه، وما إذا كانت عادلة للجميع.
إليك ما توصلوا إليه، مشروحًا دون تعقيدات لغوية.
دقة "العلم الأحمر"
أولاً، الأخبار الجيدة: الأنظمة جيدة حقًا في رصد المشاكل. عندما تحقق الباحثون في مدى قدرة هذه الأنظمة على التمييز بين الطالب الذي سينجح والطالب الذي سيرسب، كانت النتائج مبهرة. في الدراسات التي راجعوها، أصابت الأنظمة الهدف بنسبة تتراوح بين 0.70 و0.93. ولو أردت وضع ذلك في الاعتبار، فإذا كنت تخمن، ستكون محقًا بنسبة 50% من الوقت. هذه الأنظمة تؤدي بشكل أفضل بك jauh من مجرد رمي عملة معدنية.
ومع ذلك، تحذرنا الورقة من أن نتحمس لمجرد أن النتيجة مرتفعة. الأمر يشبه امتلاك جهاز كشف دخان يصدر صوتًا عاليًا جدًا؛ إذا كان يصدر صوتًا في كل مرة يحرق فيها شخص ما قطعة توست، فهو تقنيًا "حساس"، لكنه ليس مفيدًا جدًا إذا جعلك تتجاهل الحريق الحقيقي. وجد الباحثون أن الفائدة الحقيقية لهذه الأنظمة تعتمد على مدى استقرار مجتمع الطلاب وكيفية ضبط المدرسة لـ "عتبة الإنذار". إذا تغيرت قواعد إطلاق الإنذار كل أسبوع، فسيصبح النظام عبارة عن فوضى مربكة من الإنذارات الكاذبة.
فخ "العام مقابل الخاص"
هنا تصبح القصة معقدة قلي قليلاً. اكتشف الباحثون أن معظم أنظمة الإنذار المبكر هذه تراقب الأشياء الخاطئة. فهي تراقب في الغالب إشارات عامة، مثل:
- كم عدد المرات التي يسجل فيها الطالب دخوله إلى الكمبيوتر.
- عدد النقرات التي يقوم بها.
- سجل الحضور الخاص به.
الأمر يشبه مدربًا يراقب لاعب كرة قدم عبر عدّ عدد مرات دخوله إلى الملعب فقط، دون النظر أبدًا إلى ما إذا كان بإمكانه ركل الكرة داخل المرمى.
تشير الورقة إلى فجوة كبيرة: الرياضيات حالة خاصة. فالتعثر في الرياضيات غالبًا ما يأتي من أفكار محددة ومربكة—مثل التعثر في كيفية رسم رسم بياني أو فهم كيفية عمل دالة. لكن الأنظمة الحالية نادرًا ما تبحث عن هذه "الأخطاء الرياضية" المحددة. هي فقط ترى أن الطالب "غير مندمج" وترسل تنبيهًا عامًا. يقترح الباحثون أنه إذا تمكنت هذه الأنظمة من رصد سبب تعثر الطالب (مثل خطأ محدد في الرسم البياني)، فستكون أكثر فائدة للمعلمين. في الوقت الحالي، هي تخبرهم فقط: "مهلاً، هذا الطفل في ورطة"، دون أن تقول: "مهلاً، هذا الطفل مرتبك بشأن الدوال".
مشكلة "النموذج الواحد الذي يناسب الجميع"
قارنت الدراسة أيضًا بين الدول ذات الأنظمة البيانية المتطورة وعالية التقنية (مثل المملكة المتحدة وإستونيا) مقابل الدول ذات الإعدادات البسيطة ومنخفضة التقنية (مثل أجزاء من تشيلي وأمريكا اللاتينية). قد تظن أن الدول المتطورة ستمتلك أفضل الأنظمة، لكن الورقة وجدت شيئًا مفاجئًا: الأنظمة البسيطة يمكن أن تعمل بشكل جيد تمامًا مثل الأنظمة المعقدة.
في بعض الأماكن ذات الموارد الأقل، تمكن نموذج بسيط للغاية يعتمد فقط على أول درجة اختبار حصل عليها الطالب من التنبؤ بمن سيعاني بدقة تقارب دقة النماذج المتطورة وعالية التقنية في الدول الغنية. وهذا يشير إلى أن المدارس لا تحتاج إلى إنفاق ثروات على مراكز بيانات ضخمة للحصول على نظام إنذار مبكر جيد؛ بل تحتاج فقط إلى الانتباه إلى القرائن البسيطة الصحيحة في وقت مبكر.
فجوة العدالة
أخيرًا، تثير الورقة مصدر قلق جدي بشأن العدالة. مجرد كون النظام دقيقًا في المتوسط لا يعني أنه عادل للجميع. وجد الباحثون أنه في بعض الحالات، كانت الأنظمة أقل قدرة على رصد الطالبات المعرضات للخطر مقارنة بالطلاب الذكور. الأمر يشبه ماسحًا أمنيًا بارعًا في العثور على المعادن ولكنه يخطئ في اكتشاف البلاستيك. إذا فات النظام الطلاب الذين هم في أمس الحاجة للمساعدة، فإنه في الواقع يوسع الفجوة بين الأغنياء والفقراء، أو بين المجموعات المختلفة. وتلاحظ الورقة أن عددًا قليلًا جدًا من الدراسات التي راجعوها قامت بالفعل بالتحقق مما إذا كانت أنظمتهم عادلة لجميع مجموعات الناس.
ما الخطوة التالية؟
تخلص الدراسة إلى أنه بينما تعد شبكات الأمان الرقمية هذه أدوات قوية، إلا أنها ليست عصا سحرية بعد. ولجعلها فعالة حقًا، يتعين على المدارس:
- التوقف عن الاعتماد فقط على النقرات العامة والبدء في البحث عن أخطاء رياضية محددة.
- التحقق من العدالة للتأكد من عدم تجاهل أي مجموعة من الطلاب.
- البقاء على البساطة إذا كان ذلك هو ما ينجح؛ فأنت لست بحاجة إلى حاسوب خارق لإنقاذ درجة طالب.
كما يلمح الباحثون إلى أنه مع بدء الطلاب في استخدام أدوات الذكاء الاصطنيعي الجديدة للمساعدة في تعلمهم (أو لتعديل عملهم)، سيتعين على النظام بأكمله التكيف مرة أخرى. ولكن في الوقت الحالي، الرسالة واضحة: لدينا التكنولوجيا لرصد المشاكل مبكرًا، لكننا بحاجة إلى التأكد من أننا ننظر إلى القرائن الصحيحة ونعامل كل طالب بإنصاف.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.