Event-Aligned Learning Analytics for Instructor Priority Review: Preceding Performance Signals and Task-Progression Interruption in a Large-Scale Online Course
تُظهر هذه الدراسة أن تحليل إشارات الأداء القابلة للتفسير ضمن المهمة الواحدة والتي تسبق انقطاعات تقدم المهمة في المساقات عبر الإنترنت واسعة النطاق، يُمكّن المدرسين من تحديد أولويات المراجعات محدودة الموارد عند نقاط الانتقال الحرجة، مما يحدد بفعالية أكثر من نصف انقطاعات الطلاب اللاحقة من خلال التركيز على جزء صغير من الفئة المعرضة للخطر.
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 الأروقة الواسعة والصامتة لدورة جامعية عبر الإنترنت، يسجل آلاف الطلاب دخولهم، ويشاهدون مقاطع الفيديو، ويقدمون التكليفات. بالنسبة للمدرس، هذا الأثر الرقمي هو فيض من البيانات: تدفق مستمر من النقرات، والدرجات، والطوابع الزمنية. إن التحدي الذي يواجه التربويين ليس نقص المعلومات، بل فائضها. لا يمكن للمعلم أن يقرأ بالضرمة السجل المتطور لكل طالب في الوقت الفعلي، ومع ذلك لا يمكنه تحمل مخاطرة تفويت الطلاب الذين يتسللون بهدوء بعيداً عن المسار. تعتمد الأساليب التقليدية غالباً على النظر إلى الدرجة النهائية أو درجة منخفضة واحدة لتقرير من يحتاج إلى المساعدة، ولكن هذا يشبه الحكم على قدرة العداء على التحمل فقط بعد أن يكون قد انهار بالفعل. إن النهج الأكثر نفعاً يتمثل في فهم اللحظات المحددة التي تتعطل فيها عملية التعلم لدى الطالب فعلياً، والبحث عن العلامات الخفية التي تظهر قبيل حدوث ذلك التعطل مباشرة. هذا هو جوهر طريقة جديدة للتفكير في التعلم، طريقة لا تعامل التعليم كناتج ثابت، بل كرحلة ذات مراحل متميزة، حيث يهم توقيت التعثر بقدر ما تهم عملية التعثر نفسها.
شرع باحث في حل مشكلة عملية في دورة تدريبية ضخمة للذكاء الاصطناعي في جامعة صينية. أراد معرفة ما إذا كان هناك لحظة محددة في الجدول الزمني للدورة يكون الطلاب فيها أكثر عرضة للتوقف عن العمل على مهامهم، وما إذا كان بإمكانه رصد علامة تحذيرية في العمل الذي يقدمه الطلاب قبيل تلك اللحظة مباشرة. تم هيكلة الدورة في ثلاث مراحل واضحة: أسبوع مبكر، وأسبوع أوسط، وأسبوع متأخر، مع ثلاثة تكليفات مقيمة تُطرح في كل مرحلة. قام الباحث بتحليل سجلات ما يقرب من 5,000 طالب من سنتين متتاليتين لهذه الدورة. وبدلاً من محاولة التنبؤ بمن سيفشل في الفصل بأكمله، ركز على حدث محدد: المرة الأولى التي يتوقف فيها الطالب عن تقديم عمل صالح لمدة أسبوع كامل. أطلقوا على هذا اسم "انقطاع تقدم المهام". ومن خلال النظر إلى الوراء من هذه الانقطاعات، طرحوا سؤالاً بسيطاً: هل أظهر الطلاب الذين توقفوا عن العمل لاحقاً علامات معاناة في العمل الذي قدموه خلال الأسبوع السابق؟
كانت الإجابة "نعم" واضحة ومتسقة. وجد الباحث أن الطلاب الذين توقفوا لاحقاً عن تقديم العمل لأسبوع كامل كانوا يؤدون بالفعل بشكل أسوأ بكثير، مقارنة بأقرانهم، في التكليفات التي أكملوها خلال الأسبوع الذي سبق ذلك. وقد ظل هذا النمط ثابتاً في كلتا سنتي الدورة، وفي كل من الانتقال من المرحلة المبكرة إلى الوسطى، ومن المرحلة الوسطى إلى المتأخرة. ومع ذلك، اكتشف الباحث أن انتقالاً واحداً كان أكثر حرجاً من الآخر؛ حيث كان التحول من الأسبوع الأول إلى الأسبوع الثاني هو المكان الذي تحدث فيه الانقطاعات في أغلب الأحيان. في كلتا السنتين، توقف عدد أكبر من الطلاب عن العمل خلال هذا الانتقال من المبكر إلى الأوسط مقارنة بالانتقال اللاحق. علاوة على ذلك، تكررت علامة التحذير المتمثلة في انخفاض الأداء النسبي في هذه النافذة المحددة. حدد هذا "نافذة انتقال حرجة"، وهي نقطة محددة في الجدول الزمني للدورة يكون فيها خطر انسحاب الطلاب من سير العمل في أعلى مستوياته، وحيث تظهر إشارة واضحة للتعثر قبل وقوعه.
ثم اختبرت الدراسة ما إذا كانت هذه الإشارة يمكن أن تساعد المعلم فعلياً في إدارة وقته المحدود. تخيل معلماً لا يمكنه سوى مراجعة عمل جزء صغير من الفصل. إذا اختار الطلاب عشوائياً، فمن المرجح أن يفوت معظم الطلاب الذين أوشكوا على التوقف عن العمل. ولكن عندما قام الباحث بترتيب الطلاب بناءً على مدى سوء أدائهم في الأسبوع الذي سبق الانتقال الحرج، ظهرت صورة مختلفة. فمن خلال مراجعة أسفل عشرين بالمئة من الطلاب من حيث أدائهم النسبي، سيتمكن المعلم من الإمساك بأكثر من نصف الطلاب الذين أوشكوا على مواجهة أول انقطاع كبير لهم. في أحد العامين، غطت مراجعة حوالي خمس الفصل الدراسي ما يقرب من ستين بالمئة من الطلاب الذين توقفوا عن العمل لاحقاً. وفي العام الآخر، كانت التغطية أعلى. وهذا يعني أن المعلم لا يحتاج إلى مراقبة الجميع للعثين على الطلاب المتعثرين؛ بل يمكنه تركيز انتباهه على مجموعة أصغر ومستهدفة، ومع ذلك يصل إلى غالبية أولئك الذين يحتاجون إلى المساعدة.
ومن الأهمية بمكان أن الباحث كان حريصاً على تحديد ما أظهرته بياناته وما لم تظهره. لم يدّعِ أن الدرجة المنخفضة تعني تلقائياً أن الطالب قد استسلم، ولم يقترح أن يقوم المعلم بالتدخل تلقائياً دون مزيد من النظر. لم تستطع البيانات التمييز بين الطالب الذي قدم تكليفاً فارغاً وبين من لم يقدم شيئاً على الإطلاق، لذا تم تعريف "الانقطاع" بدقة على أنه غياب سجلات الأداء الصالحة، وليس بالضرورة انسحاباً كاملاً من الدورة. كما كانت الدراسة استرجاعية، بمعنى أنها نظرت في السجلات الماضية لإيجاد الأنماط، بدلاً من اختبار تدخل حي في الوقت الفعلي. لذلك، تظهر النتائج وجود إشارة مفيدة ويمكن استخدامها لتحديد الأولويات، لكنها لا تثبت أن العمل بناءً على هذه الإشارة سيغير النتيجة لكل طالب. تكمن القيمة في كفاءة البحث: فهي تسمح للمربي بالعثور على الطلاب الأكثر عرضة للمعاناة بكسر من الجهد المطلوب لفحص الجميع.
يقدم هذا النهج طريقة جديدة للتفكير في التكنولوجيا التعليمية. فبدلاً من بناء أنظمة معقدة تحاول التنبؤ بالمستقبل بدقة مثالية، يقترح الباحث طريقة تتماشى مع كيفية اتخاذ المعلمين للقرارات فعلياً. إنهم يعاملون الآثار الرقمية التي يتركها الطلاب ليس كبلورة سحرية، بل كخريطة للتضاريس. ومن خلال تحديد المكان الذي يرجح أن ينقطع فيه المسار، والبحث عن علامات عدم الاستقرار المحددة التي تظهر قبيل الانقطاع، يمكن للمربين تركيز انتباههم البشري المحدود حيث يهم الأمر أكثر. لا تقدم الدراسة قاعدة عالمية تنطبق على كل دورة عبر الإنترنت، حيث يعتمد توقيت هذه اللحظات الحرجة على التصميم المحدد للفصل الدراسي، ومع ذلك، فهي توفر طريقة موثوقة للعثور على هذه اللحظات في أي دورة. إنها تشير إلى أن الاستخدام الأكثر فعالية لتحليلات التعلم ليس استبدال حكم المعلم، بل شحذه، وتحويل فيض من البيانات إلى قائمة مدروسة من الأولويات تحترم واقع وقت المعلم وتعقيد رحلة الطالب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.