An Optimized Stacking Ensemble Model for Forecasting Student Dropout
تقدم هذه الدراسة نموذج تجميع متراكم (stacking ensemble model) مُحسَّناً يدمج بين مصنفات "الجار الأقرب" (K-Nearest Neighbors) و"الشبكة البايزية" (Bayesian Network)، معززاً بضبط المعلمات الفائقة (hyperparameter tuning) والموازنة القائمة على تقنية SMOTE، والذي حقق دقة بنسبة 85.9% ويتفوق على الأساليب الحالية ليوفر أداة إنذار مبكر فعالة للتنبؤ بالتسرب الدراسي للطلاب.
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
تواجه الجامعات حول العالم كل عام أزمة هادئة ولكنها مستمرة: الطلاب الذين يبدؤون دراستهم الجامعية لكنهم لا يكملونها أبداً. هذا التسرب ليس مجرد مأساة شخصية للأفراد المعنيين؛ بل يستنزف موارد المؤسسات، ويخفض معدلات التخرج، ويترك المجتمعات دون المهنيين المهرة الذين تحتاجهم. لعقود من الزمن، حاولت المدارس حل هذه المشكلة من خلال المراجعة اليدوية للدرجات والحضور، بحثاً عن الطلاب الذين يبدو أن مستواهم يتراجع. ومع ذلك، غالباً ما تكون هذه الأساليب بطيئة جداً لمساعدة الطالب قبل فوات الأوان. في السنوات الأخيرة، توجه الباحثون إلى تعلم الآلة، وهو فرع من علوم الحاسوب حيث يتعلم البرنامج التعرف على الأنماط في البيانات دون أن يتم برمجته صراحةً بقواعد محددة. ومن خلال تغذية هذه الأنظمة بالسجلات التاريخية لآلاف الطلاب، يمكن للحواسيب تحديد علامات تحذيرية دقيقة قد يغفل عنها المراقبون البشر، مما يوفر فرصة للتدخل المبكر وإبقاء الطلاب على مسار التخرج.
لقد خطى فريق من الباحثين من جامعة فيكتوريا في كامبالا، أوغندا وجامعة الوحدة في هرجيسا، صوماليلاند، خطوة أبعد في هذا النهج من خلال تطوير نوع جديد من أنظمة التنبؤ المصممة خصياً لهذا التحدي. فبدلاً من الاعتماد على خوارزمية حاسوبية واحدة لإصدار حكم، قاموا ببناء نظام يجمع بين نقاط القوة في طريقتين مختلفتين. الطريقة الأولى، والمعروفة باسم "الجيران الأقرب" (K-Nearest Neighbors)، تعمل من خلال النظر في سجل الطالب وإيجاد الطلاب السابقين الأكثر تشابهاً معه لمعرفة ما حدث لهم. أما الطريقة الثانية، وهي "الشبكة البايزية" (Bayesian Network)، فتقوم بحساب احتمالية تسرب الطالب بناءً على الشبكة المعقدة من العلاقات بين درجاته، ووضعه المالي، وظروفه الشخصية. وبينما تعد كل طريقة مفيدة بحد ذاتها، وجد الباحثون أنهما أحياناً يريان أشياء مختلفة في نفس البيانات. ولحل هذه المشكلة، أنشأوا نموذج "التكديس" (stacking)، وهو هيكل حيث يستمع برنامج ثالث أكثر ذكاءً إلى تنبؤات الطريقتين الأوليين ويصدر القرار النهائي. يعمل هذا البرنامج النهائي مثل محرر متمرس، يزن الأدلة من كلا المصدرين لإنتاج حكم أكثر موثوقية مما يمكن لأي منهما تحقيقه بمفرده.
اختبر الباحثون هذا النظام باستخدام مجموعة ضخمة من سجلات الطلاب الحقيقية من جامعة الوحدة، تغطي الأعوام من 2021 إلى 2025. تضمنت مجموعة البيانات أكثر من 4,400 طالب وتتبعت ستة وثلاثين عاملاً مختلفاً، بدءاً من عدد المساقات التي اجتازها الطالب وصولاً إلى وضعه المالي وخلفيته الديموغرافية. وكان أحد العقبات الرئيسية في هذا النوع من الأبحاث هو أن معظم الطلاب يبقون في المدرسة، بينما يتسرب عدد أقل بكماً، مما يخلق ساحة غير متكافئة للحاسوب. ولإصلاح ذلك، استخدم الفريق تقنية لموازنة البيانات اصطناعياً، مما يضمن تعلم النظام التعرف على علامات التحذير من التسرب بنفس كفاءة تعلمه التعرف على الطلاب المستقرين. ثم قاموا بتقسيم البيانات، باستخدام معظمها لتعليم النظام والاحتفاظ بجزء منها لاختبار مدى أدائه على طلاب لم يسبق له رؤيتهم من قبل.
أظهرت النتائج أن النظام المدمج الجديد كان متفوقاً بالفعل على الطرق الفردية. فعند اختباره، حدد نموذج التكديس بشكل صحيح ما إذا كان الطالب سيتسرب أو سيبقى في الدراسة بنسبة 86 في المائة تقريباً. والأهم من ذلك، أنه كان جيداً جداً في رصد الطلاب المعرضين للخطر فعلياً؛ فقد نجح في تحديد 81 في المائة من الطلاب الذين غادروا في النهاية، وهو مقياس حيوي للمدارس التي تحاول التدخل. وبالمقارنة، كانت الطرق المنفردة وطريقة أخرى بسيطة للدمج (تسمى التصويت الناعم/soft voting) أقل دقة، حيث فاتها المزيد من الطلاب المعرضين للخطر أو صنفت الطلاب الآمنين بشكل خاطئ. كما كشف التحليل عن العوامل الأكثر أهمية: كان الأداء الأكاديمي، وتحديداً عدد المساقات المعتمدة والدرجات التراكمية، هو أقوى مؤشر تنبؤي، يليه مباشرة المؤشرات المالية مثل حالة الرسوم الدراسية وما إذا كان الطالب مديناً للمؤسسة.
تثبت هذه الدراسة أنه من خلال دمج أنواع مختلفة من تعلم الآلة، يمكن للجامعات بناء شبكة أمان أكثر قوة لطلابها. إن هذا النموذج لا يحل محل المستشارين البشريين، ولكنه يوفر لهم أداة قوية لتحديد أولويات جهودهم. ومن خلال تحديد الطلاب الأكثر عرضة للمغادرة قبل أن يفعلوا ذلك فعلياً، يمكن للمؤسسات تقديم المساعدات المالية، أو الدروس الخصوصية الأكاديمية، أو الاستشارات في اللحظة التي تشتد فيها الحاجة إليها. وبينما يشير الباحثون إلى أن نموذجهم قد تم تدريبه على بيانات من جامعة واحدة وأن العمل المستقبلي يجب أن يختبره عبر مناطق مختلفة ومع تقنيات أكثر تقدماً، فإن النتائج تقدم مساراً واضحاً للمضي قدماً. فهي تثبت أنه مع الجمع الصحيح بين البيانات والخوارزميات، من الممكن تغيير مسار التسرب الطلابي، وتحويل العملية من مجرد رد فعل لإدارة حالات التسرب إلى استراتيجية استباقية لإبقاء الطلاب في مدارسهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.