💻 computer science

Predicting At Risk Student Performance at the First Quarter Semester Boundary Using Ensemble Learning

تقترح هذه الدراسة إطار عمل لدعم اتخاذ القرار للإنذار المبكر باستخدام نماذج التعلم التجميعي المدربة على مجموعة بيانات OULAD والمعززة بتقنية SMOTE للتنبؤ بفعالية بأداء الطلاب المعرضين للخطر عند نهاية الربع الأول، مما يثبت أن نموذج LightGBM يحقق دقة فائقة في تحديد الطلاب الذين يحتاجون إلى تدخل أكاديمي في الوقت المناسب.

المؤلفون الأصليون: Omara innocent

نُشر 2026-09-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Omara innocent

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 المشهد الواسع للتعليم العالي، تواجه الجامعات تحديًا مستمرًا ومكلفًا: إبقاء الطلاب على مسار التخرج. فعندما يبدأ الطالب في المعاناة، غالبًا ما تظهر العلامات مبكرًا، مختبئة داخل الإيقاع الهادئ لتفاعلاتهم الرقمية اليومية. وعلى مدار العقدين الماضيين، أدى صعود منصات التعلم عبر الإنترنت إلى تحويل هذه التفاعلات إلى تدفق غني من البيانات. ففي كل مرة يسجل فيها الطالب دخوله، أو ينقر على رابط، أو يسلم واجبًا، يتم تسجيل سجل. ويسعى هذا المجال، المعروف باسم تحليلات التعلم، إلى فهم هذه الآثار الرقمية. ومن خلال تطبيق الأدوات الإحصائية على هذه البيانات، يأمل التربويون في رصد الأنماط التي تشير إلى أن الطالب في ورطة قبل وقت طويل من صدور الدرجة النهائية. والهدف ليس التنبؤ بالمستقبل بيقين، بل تقديم تحذير في الوقت المناسب يسمح للمعلمين بالتدخل بالدعم قبل أن ينسحب الطالب أو يرسب.

تتناول دراسة جديدة أجرتها أومارا إينوسنت في جامعة التكنولوجيا والإدارة العالمية في أوغندا هذه المشكلة من خلال اختبار نوع محدد من البرامج الحاسوبية المصممة للتعلم من البيانات. ويركز البحث على بداية الفصل الدراسي، وتحديدًا الربع الأول، متسائلًا عما إذا كان من الممكن تحديد الطلاب المعرضين للخطر في وقت مبكر كهذا. وللقيام بذلك، استخدم الباحث مجموعة كبيرة وعامة من البيانات من الجامعة المفتوحة في المملكة المتحدة، والتي تحتوي على سجلات لآلاف الطلاب، وديموغرافيتهم، وسجلات نشاطهم التفصيلية من بيئة تعلم افتراضية. وتضمن جوهر الدراسة تدريب ثلاثة أنواع مختلفة من النماذج الحاسوبية المتقدمة للنظر في هذه البيانات وتحديد الطلاب الذين من المرجح أن ينجحوا وأولئك الذين من المرجح أن يفشلوا. تُعرف هذه النماذج باسم "المتعلمين التجميعيين" (ensemble learners)، وهي طريقة يتم فيها دمج العديد من صناع القرار البسيطين لتشكيل متنبئ واحد أكثر ذكاءً. وقد اختبر الباحث ثلاثة إصدارات محددة من هذه النماذج: الغابة العشوائية (Random Forest)، وXGBoost، وLightGBM.

وجدت الدراسة أن نموذجًا واحدًا، يسمى LightGBM، تفوق بشكل كبير على غيره. فعند اختباره على البيانات، حدد هذا النموذج الطلاب المعرضين للخطر بدقة عالية، محققًا درجة 0.89 على مقي de حيث يكون الرقم الأعلى أفضل. كما أثبت أنه الأسرع، حيث استغرق حوالي 4.1 ثانية فقط للتدريب على مجموعة البيانات، مقارنة بنحو 29 ثانية للنموذج التالي في الأفضلية. كما عالج البحث مشكلة شائعة في هذا المجال: حقيقة وجود عدد أكبر بكثير من الطلاب الناجحين مقارنة بالفاشلين في أي مجموعة معطاة. ولإصلاح ذلك، استخدم الباحث تقنية تسمى SMOTE، والتي تنشئ أمثلة اصطناعية للطلاب المعرضين للخطر لموازنة البيانات. وكان هذا التعديل أمرًا حاسمًا؛ فقد ساعد النماذج على التوقف عن تجاهل المجموعة الأقلية وقلل بشكل كبير من عدد الطلاب الراسبين الذين تم تصنيفهم خطأً على أنهم آمنون. لولا هذه الخطوة، لكانت النماذج ستفترض بسرعة أن الجميع سينجحون.

ولعل النتيجة الأكثر كشفًا لم تكن فقط في تحديد النموذج الأفضل، بل في ما كانت النماذج تنظر إليه بالفعل لاتخاذ قراراتها. فقد وضعت البرامج الحاسوبية وزنًا أكبر بكثير على كيفية سلوك الطلاب عبر الإنترنت مقارنة بمن هم عليهم عند وصولهم. وكانت عوامل مثل مدى تأخر الطالب في تسليم الواجب، وعدد مرات مشاهدته لصفحات الاختبارات، ومدى نشاطه في منتديات النقاش، هي أقوى المتنبئات بالفشل. وفي المقابل، ساهمت التفاصيل الثابتة مثل عمر الطالب، أو جنسه، أو درجات تعليمه السابقة بشكل أقل بكثير في التنبؤ. وهذا يشير إلى أن الطريقة التي يتفاعل بها الطالب مع مواد دراسته في الأسابيع القليلة الأولى هي مؤشر أكثر موثوقية لنجاحه المستقبلي من خلفيته. وتؤكد الدراسة أن البيانات السلوكية، مثل توقيت النقرة أو التأخير في التسليم، توفر إشارة أوضح للمخاطر الأكاديمية من المعلومات الديموغرافية التقليدية.

كما اقترح الباحث طريقة لجلب هذه النتائج إلى العالم الحقيقي دون انتهاك خصوصية الطلاب. فالنظام المقترح لن يتخذ القرارات من تلقاء نفسه، بل سيعمل كأداة لدعم القرار، حيث يرسل تنبيهًا آمنًا ومجهول الهوية إلى الكادر الأكاديمي عندما يظهر الطالب علامات المعاناة. سيكون هذا التنبيه بمثابة دفعة للمستشار البشري للتواصل، وليس حكمًا نهائيًا على مصير الطالب. ويؤكد الإطار العملي أنه بينما يمكن للحاسوب رصد النمط، فإن التدخل يجب أن يظل فعلًا بشريًا، موجهًا بالأخلاق والرعاية. وتخلص الدراسة إلى أنه بينما تعد هذه الأدوات قوية، إلا أنها ليست حلاً سحريًا؛ فهي تعمل بشكل أفضل عندما تُستخدم لدعم، لا لاستبدال، حكم التربويين. وتقدم النتائج مسارًا عمليًا للجامعات: فمن خلال إعطاء اهتمام وثيق للسلوكيات الرقمية المبكرة واستخدام نماذج حاسوبية فعالة لتسليط الضوء عليها، يمكن للمؤسسات التدخل في وقت أقرب، مما قد ينقذ الطلاب من مسار نحو الفشل.

أبحاث مشابهة