💻 computer science

An analysis of university ranking systems using an unsupervised machine learning-based ranking framework

تقترح هذه الدراسة إطار عمل للتعلم الآلي غير الخاضع للإشراف يستخدم تحليل المكونات الرئيسية وتحليل العوامل للتحقق من شفافية واستقرار تصنيفات الجامعات وتحسينهما من خلال استخلاص العوامل الكامنة وتطبيق أوزان متوازنة، مما يثبت في النهاية أنه بينما تتقلب التصنيفات الفردية، فإن الأنماط التوزيعية العامة للجامعات الأسترالية المرموقة تظل متسقة مع الأنظمة الراسخة مثل "تايمز للتعليم العالي" (THE) و"كيو إس" (QS).

المؤلفون الأصليون: Yipeng Zhu, Yuanxi Peng, Mengtong Li, Rohitash Chandra

نُشر 2026-08-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yipeng Zhu, Yuanxi Peng, Mengtong Li, Rohitash Chandra

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 كل عام، يواجه ملايين الطلاب وعائلاتهم سؤالاً شاقاً: أي جامعة هي الأنسب لهم؟ وللمساعدة في الإجابة على هذا السؤال، تنشر منظمات عالمية قوائم سنوية تصنف المؤسسات بناءً على مزيج من العوامل مثل النتاج البحثي، ورضا الطلاب، والتنوع الدولي. هذه التصنيفات هي أكثر من مجرد أرقام؛ فهي تشكل توجهات الطلاب في التقديم، وكيفية تلقي الجامعات للتمويل، وحتى سمعة دول بأكملها. ومع ذلك، فإن الأساليب المستخدمة لإنشاء هذه القوائم غالباً ما تكون غامضة؛ إذ نادراً ما تكشف المنظمات التي تجمعها عن كيفية حساب الدرجات بدقة أو كيفية التعامل مع المعلومات المفقودة، مما يجعل العملية تبدو وكأنها "صندوق أسود". علاوة على ذلك، تميل التصنيفات التقليدية غالباً إلى التركيز بشدة على الإنجازات البحثية، مما قد يؤدي إلى إغفال جودة التدريس أو تجربة الطالب. وقد دفع هذا النقص في الشفافية والتوازن الباحثين للتساؤل عما إذا كانت هناك طريقة أكثر وضوحاً وأمانة لقياس أداء الجامعات.

لقد تصدى فريق من الباحثين من جامعة نيو ساوث ويلز في سيدني لهذه المشكلة من خلال بناء إطار عمل جديد لتقييم الجامعات. وبدلاً من الاعتماد على الأوزان الذاتية التي تستخدمها وكالات التصنيف الكبرى، لجأوا إلى التعلم الآلي غير الخاضع للإشراف، وهو نوع من التحليل الحاسوبي الذي يجد أنماطاً خفية في البيانات دون إخبار الحاسوب بما يجب البحث عنه. جمع الباحثون بيانات عقد من الزمن من اثنين من أبرز أنظمة التصنيف في العالم، وهما "تايمز للتعليم العالي" (THE) وتصنيف "كيو إس" (QS) للجامعات في العالم. وجمعوا معلومات عن آلاف الجامعات، مستطلعين مؤشرات تتراوح بين السمعة الأكاديمية ورضا أصحاب العمل، إلى نسبة أعضاء هيئة التدريس إلى الطلاب وتنوع الهيئة الطلابية. وكان أحد العوائق الكبيرة التي واجهتهم هو أن البيانات كانت غير مكتملة؛ حيث لم تبلغ العديد من الجامعات عن كل مؤشر كل عام، كما أن بعض المؤشرات لم تُستحدث إلا مؤخراً، مما ترك فجوات كبيرة في السجل التاريخي.

ولمعالجة هذه الفجوات، استخدم الفريق تقنيات حاسوبية متقدمة لتقدير القيم المفقودة. واختبروا عدة طرق مختلفة، بما في ذلك الخوارزميات التي تتعلم من أنماط الجامعات المماثلة والنماذج الإحصائية التي تتنبأ بما كان الرقم المفقود من المرجح أن يكون بناءً على حقائق أخرى معروفة. ووجدوا أن نهجين محددين من التعلم الآلي، يُعرفان بـ "الغابة العشوائية" (Random Forest) و"إكس جي بوست" (XGBoost)، كانا الأكثر فعالية في ملء الفراغات دون تشويه الصورة العامة. سمحت هذه الأساليب لهم بإنشاء مجموعة بيانات كاملة، مما يضمن عدم معاقبة أي جامعة لمجرد فشلها في تقديم قطعة معينة من البيانات. ومع وجود مجموعة معلومات نظيفة وكاملة، استخدم الباحثون أدوات إحصائية لتبسيط الشبكة المعقدة من المؤشرات، حيث اختزلوا العشرات من المقاييس المختلفة إلى خمسة موضوعات أساسية ("عوامل كامنة") تقود أداء الجامعة حقاً.

كشفت هذه العوامل الخمسة عن الهيكل الخفي لما يجعل الجامعة ناجحة. فقد جمع العامل الأول والأكثر أهمية بين السمعة الأكاديمية والسمعة لدى أصحاب العمل ونتائج التوظيف، وهو ما يقيس جوهرياً التأثير العام ونجاح خريجي الجامعة وأبحاثها. وركز العامل الثاني على التأثير الدولي، حيث رصد مدى قدرة الجامعة على جذب الطلاب والموظفين من جميع أنحاء العالم. أما العامل الثالث فقد قاس تأثير المشاركة الصناعية، بينما نظر الرابع في بيئة التعلم من خلال نسبة الموظفين إلى الطلاب. وتركز العامل الخامس على جودة البحث وعدد الاستشهادات التي يتلقاها عمل الجامعة. ومن خلال تحليل كيفية تفاعل هذه العوامل الخمسة، أنشأ الفريق نظام تصنيف جديد يطبق نفس الوزن على هذه الموضوعات كل عام، بدلاً من تغيير "قواعد اللعبة" كما تفعل التصنيفات التقليدية غالباً.

وعندما قارن الباحثون تصنيفاتهم الجديدة بالقوائم القائمة، وجدوا أن الجامعات الرائدة ظلت كما هي إلى حد كبير، مع استمرار مؤسسات مثل أكسفورد ومعهد ماساتشوستس للتكنولوجيا وكامبريدج في احتلال أعلى المراكز. وهذا يشير إلى أن الجامعات الرائدة في العالم قوية بالفعل عبر أبعاد متعددة. ومع ذلك، أظهر الإطار الجديد صورة مختلفة للجامعات في المستويات المتوسطة والدنيا؛ إذ غالباً ما تشهد التصنيفات التقليدية قفزات وانخفاضات كبيرة في المراكز من سنة إلى أخرى، ويرجع ذلك إلى قيام المنظمات المسؤلة عنها بتغيير كيفية وزن المؤشرات المختلفة. وفي المقابل، قدم النظام الجديد رؤية أكثر استقراراً لقوة المؤسسات. فعلى سبيل المثال، عند النظر إلى الجامعات الأسترالية، أظهر الإطار الجديد أن مكانتها النسبية ظلت ثابتة بمرور الوقت، في حين أظهرت التصنيفات التقليدية تقلبات حادة يبدو أنها تعكس التغييرات في المنهجية بدلاً من التغييرات الفعلية في أداء الجامعات.

ويخلص البحث إلى أنه بينما قد تتغير مواقع الجامعات الفردية قليلاً اعتماداً على الطريقة المستخدمة، فإن النمط العام للتميز يظل قوياً. ويقدم الإطار الجديد نهجاً أكثر شفافية وتوازناً، حيث يمنح اعتباراً متساوياً للتدريس والبحث والمشاركة العالمية دون الاعتماد على الاستطلاعات الذاتية أو الحسابات الغامضة. ومن خلال جعل البيانات والشيفرة البرمجية المستخدمة في التحليل متاحة للجمهور، قدم الباحثون أداة تسمح لأي شخص برؤية كيفية اشتقاق التصنيفات بدقة. ويشير هذا العمل إلى أن وجود طريقة أكثر عدلاً لتقييم التعليم العالي هو أمر ممكن، وهي طريقة تعتمد على رؤى واضحة مدفوعة بالبيانات بدلاً من الرمال المتحركة للسمعة والمعلومات غير المكتملة. وبالنسبة للطلاب وصناع السياسات والجامعات أنفسهم، فإن هذا يوفر مساراً أوضح لفهم ما يشكل حقاً مؤسسة عالمية المستوى.

أبحاث مشابهة