Parallel Ant-Inspired CF-Tree Clustering for Scalable Collaborative Learning Group Formation

في المشاهد الرقمية الشاسعة للتعليم الحديث، يترك ملايين الطلاب وراءهم أثراً من البصمات الرقمية. فكل نقرة على فيديو، وكل تسليم لمهمة دراسية، وكل لحظة تقضى في انتظار تسجيل الدخول، تخلق سجلاً لكيفية تفاعل المتعلم مع العالم. لطال-ما أمَلَ التربويون في استخدام هذه البيانات لفهم طلابهم بشكل أفضل، والارتقاء بما هو أبعد من الدرجات البسيطة لرؤية الأنماط في كيفية تعلم الناس، ومتى يواجهون الصعوبات، وكيف يمكنهم العمل معاً. ومع ذلك، فإن التحدي يكمن في النطاق؛ فعندما تتضمن دورة تدريبية واحدة عشرات الآلاف من الطلاب، يصبح الحجم الهائل لهذه المعلومات أمراً مربكاً. إن محاولة فرز مثل هذه الكميات الضخمة من البيانات للعثور على المزيج المناسب من الأشخاص لمشروع جماعي تشبه محاولة البحث عن حبات رمل محددة على شاطئ بينما يتقدم المد؛ فالمهمة ثقيلة حسابياً لدرجة أنها غالباً ما تبطئ أو توقف الأنظمة المصممة للمساعدة.

ولحل هذه المعضلة، طور الباحثون مالك شنايتر، وحبيب كمون، وإلهام كاليل، وسليم كانون، طريقة جديدة لتنظيم هذه الملفات الشخصية الرقمية. فقد دمجوا فكرتين متمايزتين لإنشاء نظام يمكنه التعامل مع أعداد هائلة من الطلاب دون أن يتعثر. أولاً، استخدموا طريقة تعمل بمثابة ملخص، حيث تختزل آلاف السجلات الفردية للطلاب في مجموعة أصغر من الأمثلة التمثيلية. يشبه هذا كيف يقوم محرر إخباري بتلخيص أحداث أسبوع كامل في عنوان واحد لالتقاط الجوهر دون الحاجة لقراءة كل مقال. ثانياً، بنوا نظاماً يسمح للعديد من المعالجات الحاسوبية بالعمل على مهمة الفرز في وقت واحد، بدلاً من أن يقوم معالج واحد بكل العمل بمفرده. ومن خلال اختبار هذا النهج على بيانات تقارب 30,000 طالب، وجدوا أنه يمكنه تجميع المتعلمين معاً بسرعة أكبر بكثير من الطرق التقليدية، مع الحفاظ في الوقت نفسه على كون المجموعات ذات معنى وبنية جيدة.

يعالج جوهر عملهم عقبة محددة في "تحليلات التعلم"، وهو المجال المخصص لقياس وتحليل بيانات الطلاب. تقليدياً، تتضمن إحدى الطرق الشائعة لتجميع الطلاب تقنية مستوحاة من سلوك النمل الحقيقي. ففي الطبيعة، يتجول النمل، ويلتقط الأشياء، ويضعها في أكوام بناءً على مدى تشابه تلك الأشياء مع جيرانها. ومع مرور الوقت، يؤدي هذا السلوك البسيط إلى تكوين أكوام منظمة دون أن يكون لدى أي نملة خطة رئيسية. وقد طوع علماء الحاسوب هذه الطريقة "المستوحاة من النمل" لفرز بيانات الطلاب، حيث تكون "الأشياء" هي الملفات الشخصية للطلاب و"الأكوام" هي مجموعات الدراسة المحتملة. وبينما تكون هذه الطريقة فعالة للفصول الدراسية الصغيرة، إلا أنها تصبح بطيئة للغاية عند تطبيقها على مجموعات بيانات ضخمة لأن الحاسوب يتعين عليه مقارنة كل طالب بكل طالب آخر بشكل متكرر. وقد أدرك الباحثون أنه لجعل هذا الأمر ناجحاً في الدورات التدريبية الضخمة عبر الإنترنت، كان عليهم تقليل كمية البيانات التي يحملها "النمل" والسماح لهم بالعمل بالتوازي.

يبدأ حلهم بخطوة تلخيص البيانات. فقبل بدء عملية الفرز، يبني النظام هيكلاً خاصاً يشبه الشجرة يجمع سجلات الطلاب المتشابهة معاً ويستبدلها بنقطة تمثيلية واحدة. فبدلاً من معالجة 29,741 سجلاً فردياً للطلاب، قد يحتاج النظام للعمل مع بضعة آلاف فقط من هذه النقاط التمثيلية. هذه الخطوة تقلل بشكل كبير من عدد المقارنات التي يتعين على الحاسوب إجراؤها. وبمجرد تلخيص البيانات، يقوم النظام بتقسيم العمل بين معالجات متعددة؛ حيث يقوم منسق مركزي بتوزيع قطع من البيانات الملخصة على عمال مختلفين، الذين يقومون بعد ذلك بتشغيل عملية الفرز المستوحاة من النمل على قطعهم الخاصة في آن واحد. هذا النهج المتوازي يعني أنه بدلاً من انتظار انتهاء عملية واحدة بطيئة، ستحدث العديد من العمليات السريعة في وقت واحد.

اختبر الباحثون هذا الإطار الجديد باستخدام نوعين من البيانات: بيانات اصطناعية تم إنشاؤها خصيصاً لاختبار حدود النظام، وبيانات حقيقية من مجموعة بيانات تحليل التعلم للجامعة المفتوحة (Open University Learning Analytics Dataset)، والتي تضمنت سجلات لـ 29,741 متعلماً. تضمنت هذه المجموعة من البيانات الواقعية تفاصيل حول كيفية تفاعل الطلاب مع منصة التعلم، ودرجات التقييم، وتوقيت الأنشطة. كانت النت النتائج مذهلة؛ فعندما قارنوا طريقتهم الجديدة بالطريقة التقليدية للفرز، وجدوا أن خطوة التلخيص وحدها قللت من الوقت المستغرق لمعالجة البيانات بنحو ثلاثة أضعاف. وعندما أضافوا قوة الحوسبة المتوازية، أصبح النظام أسرع، مما قلل من إجمالي وقت الانتظار بشكل كبير. والأهم من ذلك، أن هذه السرعة لم تأتِ على حساب الجودة؛ إذ لا تزال المجموعات التي شكلها النظام الجديد تظهر روابط داخلية قوية، مما يعني أن الطلاب داخل المجموعة الواحدة متشابهون حقاً في سلوكيات تعلمهم، بينما ظلت المجموعات نفسها متميزة عن بعضها البعض.

على الرغم من هذه المكاسب الحسابية المثيرة للإعجاب، إلا أن المؤلفين حذرون في توضيح ما يفعله نظامهم وما لا يفعله. فهم يؤكدون أن طريقتهم هي أداة لتوليد المجموعات المرشحة، وليست صانع قرار نهائي. فالكتل (Clusters) التي ينتجها الحاسوب هي اقتراحات بناءً على الآثار الرقمية، لكنها لا تأخذ في الاعتبار كل ما يجعل الفريق التعليمي جيداً، مثل الكيمياء الشخصية، أو أساليب التواصل المحددة، أو التوفر الفردي. النظام مصمم لدعم المعلمين، لا لاستبدالهم. يمكن للمدرس أخذ المجموعات المقترحة وتعديلها بناءً على معرفته بالطلاب والأهداف المحددة للدرس. ويصرح الباحثون صراحة بأن عملهم يثبت أن النظام سريع وفعال في تنظيم البيانات، لكنه لا يثبت أن هذه المجموعات ستؤدي تلقائياً إلى نتائج تعليمية أفضل؛ فهذه الخطوة النهائية تتطلب حكماً بشرياً واختباراً واقعياً في الفصول الدراسية.

كما تسلط الدراسة الضوء على درس عملي لنشر مثل هذه التكنولوجيا. فبينما يؤدي إضافة المزيد من المعالجات الحاسوبية عموماً إلى جعل النظام أسرع، إلا أن الفائدة لا تزداد إلى الأبد. ففي نقطة معينة، يبدأ الوقت المستغرق في تنسيق المعالجات المختلفة وإدارة تدفق البيانات في استهلاك تلك المكاسب، مما يعني أن استخدام عدد معتدل من المعالجات غالباً ما يكون أكثر كفاءة من استخدام كل المعالجات المتاحة. يشير هذا إلى أن الهدف للمؤسسات التعليمية يجب أن يكون إعداداً متوازناً يقدم نتائج سريعة دون إهدار الموارد. لقد نجح الإطار في إثبات أنه من الممكن تحليل عادات التعلم لعشرات الآلاف من الطلاب في وقت معقول، مما حول مهمة كانت مستحيلة سابقاً إلى مهمة يمكن إدارتها.

في نهاية المطاف، يوفر هذا البحث أساساً قابلاً للتوسع لمستقبل التعلم التعاوني. فمن خلال جعل فرز كميات هائلة من بيانات الطلاب ممكناً من الناحية الحسابية، يفتح هذا الإطار الباب لتشكيل مجموعات أكثر ديناميكية ومعلوماتية. سيتمكن المعلمون قريباً من توليد مجموعات دراسية محتملة بناءً على أنماط التفاعل والأداء الفعلية، بدلاً من الاعتماد على التعيينات العشوائية أو الاختيار اليدوي. ومع ذلك، فإن المسافة بين الخوارزمية السريعة وتجربة الفصل الدراسي الناجحة لا تزال بحاجة إلى قطع. وتتمثل الخطوات التالية في اختبار هذه المجموعات المولدة حاسوبياً في بيئات تعليمية حقيقية لمعرفة ما إذا كانت تساعد الطلاب حقاً على التعلم بشكل أفضل، والتعاون بفعالية أكبر، وتحقيق أهدافهم. وحتى ذلك الحين، يظل النظام محركاً قوياً وفعالاً جاهزاً لدعم التربويين في المهمة المعقدة المتمثلة في جمع الطلاب معاً.