An Interpretable Hybrid Deep Learning Framework for Student Placement Prediction Using PSO–GA–Bayesian Optimized ANN with SHAP–LIME Explainability

تواجه كليات الهندسة في الهند كل عام لغزاً صعباً: التنبؤ بالطلاب الذين سيحصلون على وظائف بعد التخرج وأولئك الذين سيعانون لإيجاد عمل. لا يقترج الأمر مجرد مسأة تتعلق بفحص الدرجات؛ فالمسار نحو التوظيف يتشكل من خلال شبكة معقدة من العوامل، بما في ذلك الدرجات الأكاديمية، والقدرات التقنية، والمهارات الناعمة مثل التواصل، وحتى الخلفية العائلية للطالب. لعقود من الزمن، اعتمدت المؤسسات على برامج حاسوبية قياسية لإجراء هذه التنبؤات، لكن هذه الأدوات غالباً ما تتعثر عندما تواجه الواقع غير الخطي والمعقد للإمكانات البشرية. فهي تميل لرؤية خطوط مستقيمة فقط بين السبب والنتيجة، وتغفل عن الطرق الدقيقة التي قد تفوق فيها مهارة برمجية قوية معدل درجات درجات تراكمية منخفض قليلاً، أو كيف يمكن لنقص الخبرة أن يعيق طالباً متفوقاً. وعندما تفشل هذه النماذج التقليدية، فإنها تترك التربويين دون خريطة واضحة لمساعدة الطلاب المعرضين للخطر قبل فوات الأوان.

ولحل هذه المشكلة، طور فريق من الباحثين نهجاً جديداً أكثر تطوراً يجمع بين نقاط القوة لعدة استراتيجيات حوسبية مختلفة. لقد بنوا نظاماً لا يكتفي بالتخمين فحسب، بل يتعلم ويتطور ويصقل عملية تفكيره الخاصة. ومن خلال تغذية النظام ببيانات من 5000 طالب هندسة هندي، تغطي اثنين وعشرين سمة تتراوح من مهارات البرمجة إلى دخل الأسرة، أنشأ الباحثون إطار عمل قادراً على رصد الأنماط التي أغفلتها الأساليب القديمة. والنتيجة هي متنبئ عالي الدقة لا يخبر المؤسسات فقط بمن يُحتمل توظيفه، بل يشرح أيضاً بالضبط "لماذا"، مما يوفر رؤية واضحة لعملية اتخاذ القرار لدى الآلة نفسها.

إن جوهر هذا الإطار الجديد هو عملية مكونة من ثلاث مراحل مصممة لإيجاد الإعدادات المثالية لنموذج التعلم العميق، وهو نوع من البرامج الحاسوبية المستوحاة من الدماغ البشري. تخيل مشهداً طبيعياً شاسعاً ومظلماً مليئاً بالتلال والوديان، حيث تمثل أعلى قمة فيه أدق تنبؤ ممكن. إن البحث عن تلك القمة عبر المشي العشوائي هو عملية بطيئة وغير فعالة. يستخدم نظام الباحثين ثلاث طرق متميزة للتنقل في هذا التضاريس. أولاً، يستخدم تقنية تسمى "تحسين سرب الجسيمات" (Particle Swarm Optimization)، والتي تحاكي كيفية بحث سرب من الطيور عن الطعام، مما يسمح للنظام بمسح منطقة واسعة بسرعة للعثور على مناطق واعدة. بعد ذلك، يستخدم "الخوارزمية الجينية" (Genetic Algorithm)، التي تعمل مثل الانتقاء الطبيعي، حيث تأخذ أفضل الحلول التي تم العثور عليها حتى الآن وتخلطها معاً لإنشاء نسخ أفضل منها. وأخيراً، يطبق "التحسين البايزي" (Bayesian Optimization)، وهو أسلوب يعمل كأداة دقيقة، حيث يقوم بإجراء تعديلات صغيرة ومدروسة لضبط النموذج بدقة حتى يصل إلى قمة الجبل تماماً. يضمن هذا المزيج عدم استقرار النظام على تلة صغيرة بينما يوجد جبل أعلى بك jauh منها.

بمجرد أن يجد النظام الإعدادات المثلى، يتم تدريبه على بيانات الطلاب. كانت إحدى العقبات الكبيرة في هذه البيانات هي وجود عدد أكبر بكثير من الطلاب الذين حصلوا على وظائف مقارنة بأولئك الذين لم يحصلوا عليها، وهو وضع يمكن أن يخدع الحاسوب ويجعله يتجاهل المجموعة الأقلية. ولإصلاح ذلك، استخدم الباحثون تقنية تنشئ أمثلة اصطناعية للمجموعة الممثلة تمثيلاً ناقصاً، مما يضمن تعلم النموذج للتعرف على علامات النجاح والمعاناة على حد سواء. ثم تم اختبار النموذج مقابل مجموعة بيانات ضخمة تضم 5000 طالب. كانت النتة مذهلة؛ فبينما تمكنت النماذج القديمة مثل أشجار القرار أو المصنفات الإحصائية القياسية من تحقيق معدلات دقة تتراوح بين 82 و91 بالمائة، وحتى الأساليب التجميعية المتقدمة مثل XGBoost التي وصلت إلى 99.1 بالمائة، حقق النظام الهجين الجديد دقة اختبار بلغت 99.60 بالمائة. وهذا يعني أن النظام تنبأ بشكل صحيح بالنتيجة لكل طالب تقريباً في مجموعة الاختبار، وهو مستوى من الدقة يشير إلى أنه قد استوعب المحركات الحقيقية للقابلية للتوظيف.

ولعل الأمر الأكثر أهمية من الدقة الخام هو قدرة النظام على شرح منطقه. في الماضي، كانت نماذج التعلم العميق القوية غال-ما تُعتبر "صناديق سوداء"، تعطي إجابة دون الكشف عن كيفية وصولها إليها. هذا الإطار الجديد يكسر هذا الصندوق باستخدام طريقتين مختلفتين للشرح. إحدى الطريقتين، المعروفة باسم SHAP، تنظر إلى مجموعة الطلاب بأكملها لتحديد العوامل الأكثر أهمية في المتوسط. وقد كشفت أن تقييمات مهارات البرمجة والمعدلات التراكمية هما أقوى مؤشرين للتوظيف، يليهما مباشرة عدد المشاريع التي أكملها الطالب. ومن المثير للدهشة أن عوامل مثل دخل الأسرة أو الجنس لم يكن لها أي تأثير تقريباً على التنبؤ، مما يشير إلى أن الكفاءة التقنية والأداء الأكاديمي هما البوابتان الحقيقيتان للتوظيف في هذا السياق.

الطريقة الثانية، المسماة LIME، تركز على الحالات الفردية لشرحها. يمكنها النظر إلى طالب معين والقول: "يُتوقع توظيف هذا الطالب لأن مهاراته في البرمجة عالية وقد أكمل عدة مشاريع"، أو على العكس: "هذا الطالب معرض للخطر لأن مهاراته في البرمجة منخفضة وليس لديه خبرة في المشاريع". هذا المستوى من التفصيل يسم يسمح للتربويين بالانتقال إلى ما وراء النصائح العامة. فبدلاً من قول "ادرس بجد أكثر" لطالب متعثر، يمكن للمستشار أن يشير إلى البيانات المحددة: "مهاراتك في البرمجة تحتاج إلى تحسين لتطابق معايير الصناعة". كما حدد النظام نقطة تشبع؛ فبمجرد وصول مهارات الطالب في البرمجة إلى مستوى معين، حوالي 8 من 10، تصبح الزيادات الإضافية في تلك المهارة أقل أهمية من اكتساب المزيد من خبرة المشاريع. تساعد هذه اللمسة من الدقة المؤسسات على فهم أن هناك حداً لكيفية دفع عامل واحد للنجاح قبل أن تتولى عوامل أخرى زمام الأمور.

تتحدى هذه الدراسة صراحةً فكرة أن نماذج التعلم الآلي التقليدية كافية لهذه المهمة. فقد وجد الباحثون أن الأساليب القديمة فشلت في استيعاب العلاقات المعقدة وغير الخطية بين العوامل المختلفة التي تؤثر على المسيرة المهنية للطالب. كما أثبتوا أن الاعتماد فقط على الدرجات الأكاديمية هو خطأ، حيث ثبت أن البراعة التقنية والخبرة العملية أكثر أهمية بكثير. ومن خلال استبعاد فعالية النماذج الخطية البسيطة وتسليط الضوء على ضرورة اتباع نهج تحسين هجين متعدد المراحل، تجادل الورقة بأن مستقبل التنبؤ التعليمي يكمن في الأنظمة التي يمكنها التكيف والتطور وشرح نفسها.

يوفر هذا العمل أداة موثوقة للمؤسسات التعليمية للعمل كنظام إنذار مبكر. ومن خلال تحديد الطلاب الذين من المرجح أن يعانوا من صعوبات في التوظيف قبل التخرج بفترة طويلة، يمكن للكليات التدخل بدعم مستهدف، مثل ورش عمل إضافية في البرمجة أو التوجيه في المشاريع. هذا الإطار لا يتنبأ بالمستقبل فحسب، بل يقدم خارطة طريق لتغييره. ويقترح الباحثون أنه من خلال مواءمة المناهج الدراسية مع المهارات المحددة التي تظهر البيانات أنها الأكثر قيمة - وبشكل أساسي القدرة على البرمجة وإكمال المشاريع - يمكن للمدارس تحسين نتائج التوظيف بشكل مباشر. وبينما ركزت الدراسة على مجموعة بيانات محددة من الهند، فإن المنهجية تقدم مخططاً لكيفية استخراج البيانات التعليمية لإنشاء أنظمة أكثر عدلاً وفعالية وشفافية لتوجيه الطلاب نحو مسيراتهم المهنية. وتشير النتائج إلى أنه عندما نجمع بين القوة الخام للتعلم العميق ووضوح التفسيرات التي يفهمها البشر، يمكننا أخيراً رؤية طريق النجاح بوضوح، لكل من الطالب والمؤسسة على حد سواء.