Machine Learning Prediction of Undergraduate Academic Performance for Early Identification of At-Risk Students: Evidence from Nnamdi Azikiwe University
تُظهر هذه الدراسة أن نماذج تعلم الآلة، ولا سيما آلات المتجهات الداعمة، يمكنها التنبؤ بفعالية بالمخاطر الأكاديمية لطلاب مرحلة البكالوريوس في جامعة ننامدي أزيكيوي باستخدام السجلات الروتينية مثل المعدل التراكمي للفصل الدراسي الأول والمواد الراسبة، مما يتيح تدخلات في الوقت المناسب للطلاب المعرضين 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
تواجه الجامعات اليوم تحدياً هادئاً ولكنه متنامٍ: فهي تُعلّم عدداً من الطلاب أكبر من أي وقت مضى، ومع ذلك غالباً ما تفتقر إلى الوقت أو الأدوات اللازمة لملاحظة متى يبدأ طالب معين في المعاناة قبل فوات الأوان. في الماضي، كان بإمكان المعلم أن ينتظر درجة رسوب أو امتحاناً فائتاً ليدرك أن الطالب في ورطة، ولكن بحلول ذلك الوقت، تكون الفجوة في التعلم قد أصبحت غالباً واسعة جداً بحيث يصعب جسرها بسهولة. ولحل هذه المشكلة، يتجه الباحثون إلى مجال يُسمى "تعلم الآلة"، وهو في الأساس وسيلة لتمكين الحواسيب من التعلم من الأنماط في البيانات بدلاً من اتباع مجموعة صارمة من القواعد التي يكتبها البشر. ومن خلال تغذية هذه الأنظمة بالسجلات التاريخية لأداء الطلاب، والحضور، والخلفية الدراسية، يمكن للحاسوب أن يتعلم رصد العلامات الخفية التي تسبق الفشل الأكاديمي. والهدف ليس استبدال المعلمين بالخوارزميات، بل منحهم نظام إنذار مبكر—وسيلة لرؤية الطلاب الذين قد يحتاجون إلى مساعدة قبل أن يتخلفوا عن الركب، مما يسمح بتقديم دعم في الوقت المناسب يمكن أن يغير المسار الأكاديمي للطالب بالكامل.
في جامعة ننامدي أزيكيوي في نيجيريا، قرر فريق من الباحثين اختبار ما إذا كان هذا النهج يمكن أن ينجح في سياقهم الخاص. لقد جمعوا السجلات الأكاديمية لـ 400 طالب في مرحلة البكالوريوس، ونظروا في مجموعة واسعة من التفاصيل بما في ذلك درجات امتحانات القبول، ودرجاتهم في الفصل الدراسي الأول، ومدى انتظامهم في المحاضرات، ودرجاتهم في التقييمات المستمرة، وحتى ما إذا كانوا قد رسبوا في أي مساقات في الماضي. ثم طلب الباحثون من أربعة نماذج حاسوبية مختلفة تحليل هذه المعلومات والتنبؤ بالطلاب المعرضين لخطر ضعف الأداء الأكاديمي. وقد حددوا "الطلاب المعرضين للخطر" بأنهم الطلاب الذين يقل أداؤهم عن معيار معين، مما خلق فعلياً مجموعتين: أولئك الذين يبليون بلاءً حسناً وأولئك الذين يعانون. أراد الفريق معرفة ما إذا كانت الحواسيب قادرة على تحديد المجموعة المتعثرة في وقت مبكر، باستخدام البيانات المتاحة فقط في بداية الفصل الدراسي، وتحديد أي العوامل كانت أقوى المؤشرات على التعثر.
كشفت النتائج عن صورة واضحة لما يميز الطالب المزدهر عن ذاك الذي يواجه خطراً. فمن بين الـ 400 طالب الذين تمت دراستهم، تم تحديد ما يقرب من واحد من كل أربعة طلاب على أنهم معرضون للخطر. وعندما نظر الباحثون عن كثب في البيانات، وجدوا أن الطلاب الذين يعانون يتشاركون ملفاً تعريفياً محدداً للغاية؛ فقد دخلوا الجامعة بدرجات أقل في امتحانات القبول، ولكن الأهم من ذلك، أن أداءهم خلال الفصل الدراسي الأول كان إشارة أقوى بكثير للتعثر المستقبلي. وكان التنبؤ الأكثر قوة هو المعدل التراكمي من الفصل الدراسي الأول؛ حيث كان متوسط درجات الطلاب المعرضين للخطر 2.43، بينما بلغ متوسط أولئك الذين يبليون بلاءً حسناً 3.24. وكان عدد المساقات التي رسب فيها الطالب، والمعروفة بالمساقات المتبقية (carryover)، هو ثاني أهم عامل؛ حيث رسب الطلاب المعرضون للخطر بمتوسط 2.5 مساق، مقارنة بمساق واحد فقط لأقرانهم. كما لعبت عوامل أخرى مثل درجات التقييم المستمر وحضور المحاضرات دوراً أيضاً، حيث كان الطلاب المتعثرون يحضرون دروساً أقل ويسجلون درجات أقل في الاختبارات المستمرة. ومن المثير للاهتمام أن البيانات أظهرت أن جنس الطالب أو الطريقة المحددة التي دخل بها الجامعة لم تساعد في التنبؤ بمن سيعاني، مما يشير إلى أن السلوك الأكاديمي يهم أكثر بكثير من الخلفيات الديموغرافية في هذا السياق.
ولإيجاد أفضل طريقة لهذه التنبؤات، قارن الباحثون بين أربعة تقنيات مختلفة لتعلم الآلة، كل منها يتناول المشكلة بطريقة مختلفة قليلاً. إحدى الطرق، وتسمى "الغابة القرارية" (decision forest)، تبني العديد من أشجار القرار البسيطة لتقديم تخمين جماعي. وطريقة أخرى، تُعرف باسم "آلة المتجهات الداعمة" (support vector machine)، تحاول رسم خط معقد يفصل الطلاب المتعثرين عن الناجحين. وعندما تم اختبار النماذج على بيانات جديدة لم يسبق لها رؤيتها، كانت النتائج مفاجئة. فالنموذج الذي حقق أفضل أداء خلال مرحلة التدريب الأولية لم يصمد بنفس القدر عند مواجهة طلاب جدد. بدلاً من ذلك، أثبتت "آلة المتجهات الداعمة" وطريقة تُسمى "الانحدار اللوجستي" (logistic regression) أنهما الأكثر موثوقية. فقد حددت "آلة المتجهات الداعمة" بشكل صحيح 16 طالباً من أصل 20 طالباً متعثراً في مجموعة الاختبار، ولم تخطئ إلا في أربعة فقط، مع الحفاظ أيضاً على بقاء عدد الإنذارات الكاذبة—أي الطلاب الذين تم تصنيفهم كمتعثرين وهم في الواقع يبلون بلاءً حسناً—منخفضاً نسبياً. وقد تمكنت النماذج الحاسوبية من التمييز بين المجموعتين بدرجة عالية من الدقة، مما أثبت أن الأنماط في البيانات كانت حقيقية ومتسقة.
كما بحثت الدراسة بعمق في سبب اتخاذ النماذج لقراراتها، لضمان أن النتائج ليست مجرد خدعة إحصائية بل تعكس ديناميكيات تعليمية حقيقية. وأكد التحليل أن ما يفعله الطالب خلال الفصل الدراسي الأول هو أكثر دلالة بكثير مما بدأ به. وبينما كانت درجات امتحان القبول مهمة، إلا أنها كانت مغمورة بكيفية أداء الطالب بمجرد وجوده في الفصل الدراسي بالفعل. تعلم الحاسوب أن انخفاض المعدل التراجم، وكثرة المساقات الراسبة، وضعف الحضور كانت أقوى الإشارات على أن الطالب في ورطة. وهذا يتوافق مع فكرة أن التعلم عملية نشطة؛ فالطلاب الذين لا يتفاعلون مع دراساتهم، أو يتغيبون عن الدروس، أو يفشلون في استيعاب المادة في وقت مبكر، هم أولئك الذين يحتاجون إلى المساعدة أكثر من غيرهم. وأشار الباحثون إلى أنه بينما كانت النماذج فعالة للغاية في رصد هذه الأنماط، يجب النظر إليها كأداة لدعم الحكم البشري، لا لاستبداله. يمكن للحاسوب أن يضع علامة على طالب ليلفت الانتباه إليه، ولكن يبقى على المرشدين والمعلمين في الجامعة تقديم الفهم والدعم الذي يتبع ذلك.
في نهاية المطاف، يوضح هذا البحث أنه يمكن للجامعات استخدام البيانات التي تجمعها بالفعل لبناء شبكة أمان لطلابها. ومن خلال التركيز على المؤشرات المبكرة مثل درجات الفصل الدراسي الأول وحضور المحاضرات، يمكن للمؤسسات تحديد الطلاب الذين من المرجح أن يعانوا قبل وقت طويل من رسوبهم في الامتحان النهائي. وتشير الدراسة إلى أن جامعة ننامدي أزيكيوي، وغيرها من الجامعات المماثلة، يمكنها تنفيذ أنظمة الإنذار المبكر هذه لتوجيه الإرشاد الأكاديمي لديها. وبدلاً من انتظار وقوع الأزمة، يمكن للموظفين التواصل مع الطلاب في اللحظة التي تظهر فيها البيانات أنهم ينحرفون عن المسار. وتقدم النتائج مساراً عملياً للمضي قدماً: استخدام الأنماط في السجلات لإطلاق تدخل في الوقت المناسب، مما يضمن حصول الطلاب الذين يحتاجون إلى المساعدة أكثر من غيرهم عليها قبل أن تصبح الصعوبات الأكاديمية مستعصية على التجاوز.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.