← أحدث الأبحاث
💻 علوم الحاسوب

Target Leakage in Machine Learning Models that Predict Higher Education Graduation from Administrative Records

تُظهر هذه الدراسة أن التنبؤات شبه المثالية التي تم الإبلاغ عنها سابقاً بشأن التخرج من التعليم العالي كانت ناتجة عن تسرب الهدف من سمات محددة بالنتيجة، وتثبت أنه عند استخدام بروتوكول مصحح وخالٍ من التسرب على السجلات الإدارية من غزة، تحقق نماذج تعلم الآلة دقة عالية ولكن واقعية (تصل إلى 89.16%) مع كون عدد الفصول الدراسية المكتملة هو أقوى مؤشر تنبؤي.

المؤلفون الأصليون: Samer Yaghi, Rebhi S. Baraka

نُشر 2026-10-26
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Samer Yaghi, Rebhi S. Baraka

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 الجامعة الحديثة، يُترك وراء كل طالب أثر رقمي هائل. فمنذ لحظة تقديمهم للطلب، تُسجل أسماؤهم ودرجاتهم وحضورهم في الأنظمة الإدارية، مما يخلق أرشيفاً ضخماً للتاريخ الأكاديمي. ولعقود من الزمن، حاول الباحثون استخراج البيانات من هذا السجل لإيجاد أنماط يمكنها التنبؤ بمن سيكمل دراسته الجامعية ومن قد يتسرب من الدراسة. والهدف هو تحديد الطلاب المتعثرين في وقت مبكر، مما يسمح للمدارس بتقديم المساعدة قبل فوات الأوان. ويعتمد هذا المجال، المعروف باسم تنقيب البيانات التعليمية، على قاعدة بسيطة ولكن صارمة: يجب إجراء التنبؤ باستخدام المعلومات المتاحة فقط في تلك اللحظة المحددة. فإذا استخدم النموذج معلومة لا توجد إلا بعد وقوع النتيجة بالفعل، فإنه يستخدم معلومات مستقبلية. وهذا الخطأ، الذي يسمى "تسرب الهدف"، يخلق شعوراً زائفاً باليقين، مما يجعل النموذج يبدو مثالياً بينما هو في الواقع يقرأ نموذج الإجابة فحسب.

لقد شرع فريق من الباحثين في غزة، فلسطين، في اختبار هذه الفكرة باستخدام سجلات تمتد لعشرين عاماً من الكلية الجامعية للعلوم التطبيقية. حيث فحصوا ملفات ما يقرب من 4700 طالب درسوا تكنولوجيا المعلومات بين عامي 2000 و2019. وبدأ تحقيقهم باكتشاف مذهل؛ فعندما بنوا نماذج حاسوبية للتنبؤ بالتخرج باستخدام البيانات كما هي مخزنة تماماً في نظام المدرسة، كانت النتائج مثالية بشكل مريب. حققت النماذج دقة بلغت 100 بالمائة، مما يعني أنها لم ترتكب خطأ واحداً. بدا هذا وكأنه انتصار، لكن الباحثين أدركوا أن النماذج لم تكن تتنبأ بالمستقبل فعلياً، بل كانت ببساطة تنظر إلى عمودين محددين في قاعدة البيانات: السنة التي تخرج فيها الطالب ومتوسط درجاته النهائية. هذه الأرقام لا تظهر في النظام إلا إذا كان الطالب قد أنهى درجته العلمية بالفعل. ومن خلال تضمينها، كان يتم إخبار النماذج بالإجابة قبل أن تبدأ الاختبار.

وبمجرد أن أزال الباحثون هذين العمودين من "المعلومات المستقبلية"، تغيرت الصورة تماماً. فقد تعين على النماذج، التي تضمنت أشجار القرار، والغابات العشوائية، وخوارزميات تعزيز التدرج، العمل فقط بالمعلومات المتاحة أثناء فترة دراسة الطلاب. وتحت هذه الظروف الصادقة، انخفضت الدقة إلى مستوى أكثر واقعية، حيث حامت حول 89 بالمائة. ورغم أن هذه النتيجة لا تزال قوية، إلا أنها بعيدة كل البعد عن الكمال المستحيل الذي شوهد من قبل. ووجد الباحثون أن أقوى إشارة لما إذا كان الطالب سيتخرج لم تكن معدله التراكمي، بل ببساطة عدد الفصول الدراسية التي أتمها بنجاح. فالطالب الذي يستمر في الحضور وإكمال الفصول الدراسية كان أكثر عرضة للتخرج من الطالب الذي يمتلك درجات عالية ولكنه يتوقف عن الحضور. وهذا يشير إلى أن الاستمرارية هي مؤشر أقوى للنجاح من الأداء الأكاديمي اللحظي.

كما بحثت الدراسة في مدى التبكير الذي يمكن من خلاله إجراء هذه التنبؤات. فعندما قيد الباحثون النماذج لاستخدام المعلومات المتاحة فقط في اللحظة التي يتقدم فيها الطالب للجامعة — مثل درجاته في المدرسة الثانوية وعمره — انخفضت الدقة إلى حوالي 70 بالمائة. وهذا يشير إلى أنه بينما يمكن للمدارس الحصول على تصور عام عن المخاطر قبل وصول الطالب، فإن الصورة الحقيقية لا تبرز إلا بمجرد أن يبدأ الطالب رحلته ويبدأ تاريخ حضوره في التكون. كما تحقق الباحثون مما إذا كانت النماذج تعامل الطلاب الذكور والإناث بإنصاف، ووجدوا أن النماذج لم تميز بينهم؛ بل في الواقع، ولأن الطالبات في هذه المجموعة المحددة كان لديهن معدل تخرج طبيعي أعلى، فقد تنبأت النماذج بشكل صحيح بأنهن أكثر عرضة للنجاح. كانت النسخة الأولى من الدراسة قد اقترحت قاعدة مختلفة بناءً على الجنس، لكن ذلك كان وهماً ناتجاً عن البيانات المعيبة.

إن تداعيات هذا العمل تمتد إلى ما وراء جامعة واحدة في غزة؛ فهي بمثابة درس تحذيري للمؤسسات في جميع أنحاء العالم المتلهفة لاستخدام الذكاء الاصطناعي لإدارة نجاح الطلاب. لقد أثبت الباحثون أن النموذج يمكن أن يبدو قوياً للغاية بينما هو عديم الفائدة تماماً إذا سُمح له بإلقاء نظرة على الإجابة. لقد قدموا طريقة واضحة للمدارس الأخرى للتحقق من بياناتها بحثاً عن هذه العيوب الخفية. وبالنسبة للمستشارين الجامعيين، تقدم النتائج المصححة مساراً عملياً للمضي قدماً: التركيز على الطلاب الذين يتوقفون عن حضور الحصص بدلاً من مجرد أولئك الذين لديهم درجات منخفضة، واستخدام هذه التنبؤات كدافع للحوار البشري بدلاً من القرار الآلي. وتخلص الدراسة إلى أن الدقة العالية ليست المقياس الوحيد للنموذج الجيد؛ فالنموذج الذي يكون صادقاً بشأن ما يعرفه وكيف عرفه هو الأكثر قيمة لمساعدة الطلاب في مسيرتهم التعليمية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →