تقييم عوامل مؤثرة في فعالية التدريس بالجامعات باستخدام تقنيات الضبابي والتعلم العميق

لماذا تهم قياسات التدريس الأفضل

أي شخص حضر دروساً ممتازة وأخرى أقل جودة يعرف أن جودة التدريس يمكن أن تصنع التجربة الجامعية أو تفسدها. ومع ذلك لا تزال معظم الجامعات تعتمد على أدوات خشنة مثل درجات الاختبارات واستبيانات نهاية الفصل لتقييم ما ينجح. تستكشف هذه الورقة طريقة أذكى لقياس مدى جودة التدريس في الجامعات من خلال الجمع بين طريقتين حاسوبيتين — إحداهما تتعامل جيداً مع البيانات البشرية الضبابية والأخرى تتميز في كشف الأنماط الخفية. معاً، تعدان بتقديم إرشاد أكثر موثوقية لتحسين المقررات ودعم الطلاب.

إعادة التفكير في كيفية الحكم على «الصف الجيد»

يتشكل التدريس الجامعي من العديد من العوامل المتغيرة: عدد الطلاب في القاعة، خبرة المُدرّس، صعوبة المقرر، جو الفصل، واستخدام التكنولوجيا، على سبيل المثال لا الحصر. غالباً ما تقلل أنظمة التقييم التقليدية كل هذا إلى نتيجة اختبار واحدة أو تصنيف رقمي للمقرر. هذه المبالغة في التبسيط تفقد سياقاً مهماً وتتجاهل الجانب الفوضوي والذاتي للتعلم. يجادل المؤلفون بأنه إذا أردنا فهم سبب تفوق بعض الصفوف في مساعدة الطلاب على الازدهار بينما تقصر صفوف أخرى، فنحن بحاجة إلى أدوات تستطيع التعامل مع عوامل متعددة في آن واحد والتعامل مع معلومات غير كاملة أو قائمة على الرأي.

نهج هجيني «شبيه بالبشر» و«كاشف للأنماط»

تقدم الدراسة نموذجاً هجينيًا يُسمى الضبابي والتعلم العميق (FDL). الجزء «الضبابي» يحاكي طريقة تفكير البشر بدرجات من الرمادي بدلاً من فئات نعم-أو-لا الصارمة — على سبيل المثال، القول إن أداء الطالب «منخفض» أو «متوسط» أو «عالٍ» مع انتقالات سلسة بدلاً من حدود قاطعة. يحول هذا المدخلات الغامضة مثل خبرة التدريس ونسبة الطلاب إلى المدرّس وصعوبة المقرر إلى فئات مرنة، ثم يستخدم قواعد بسيطة مثل «إذا كان أداء الطالب عالياً والصف صغير، ففعالية التدريس عالية». في الوقت نفسه، جزء التعلم العميق هو شبكة متعددة الطبقات تعالج كميات كبيرة من البيانات المنقحة والمقيسة، مكشّفة عن روابط معقّدة قد لا تكون واضحة للمراجعين البشر.

من الاستبيانات الخام إلى إشارات ذات معنى

لاختبار منهجهم، استخدم الباحثون بيانات من المسح الوطني لمشاركة الطلبة، وهو استبيان واسع الاستخدام يكمله طلاب السنة الأولى والطلبة النهائيون في كليات وجامعات أمريكا الشمالية. عدلوا عدة أسئلة للتركيز بشكل أدق على مدى قيام المعلمين بأدوارهم، ثم تحققوا من موثوقية الاستبيان المعدل. بعد ذلك، نفذوا خط أنابيب شامل لتحضير البيانات: تنظيف الأخطاء، ملء القيم المفقودة، دمج المعلومات من جانبي الطالب والمعلم، ومقاساة كل شيء إلى مدى مشترك. كما أنشأوا مؤشرات مركبة، مثل درجة كلية موزونة تعتمد على درجات الامتحانات وإكمال الواجبات والحضور، وخففوا تعقيد البيانات باستخدام تقنية معيارية تسمى تحليل المكونات الرئيسية. هذه المجموعة المحضرة من البيانات تغذت إلى الوحدتين — وحدة المنطق الضبابي التي تعاملت مع الفئات غير الدقيقة، وشبكة التعلم العميق التي تعاملت مع الأنماط الرقمية عالية الأبعاد.

ما مدى فاعلية النموذج الجديد؟

تدرب نموذج FDL واختبر على أجزاء منفصلة من البيانات لتجنب خداع نفسه بأمثلة مألوفة. وقورنت أداؤه بعدة بدائل قوية، بما في ذلك الشبكات العصبية التقليدية ونماذج عميقة أكثر تقدماً. عبر مقاييس رئيسية — الدقة الإجمالية، والدقة، والاستدعاء، ومقياس F1 — طُرُقُ العملية الهجينة طابقت أو فاقت الأساليب المنافسة، محققة نحو 98% دقة ومعدل خطأ منخفض يقارب 10% فقط. وبقدر أهمية ذلك، جعلت القواعد الضبابية قراراته أكثر قابلية للفهم من نماذج الصندوق الأسود. كان النظام قادراً على إبراز أي تركيبات من العوامل — مثل الفصول الكبيرة مع تدريس قليل الخبرة، أو المقررات الصعبة المدعومة بتغذية راجع قوية — كانت مرتبطة بشدة بنتائج تدريس أفضل أو أسوأ.

ماذا يعني هذا للطلاب والجامعات

بعبارات يومية، تُظهر الدراسة أنه بات من الممكن الآن بناء «مقياس لتدريس» آلي يكون دقيقاً للغاية ومعقول الفهم. بدلاً من الاعتماد أساساً على المتوسطات الخشنة واستبيانات لمرة واحدة، يمكن للجامعات استخدام نظام من هذا النوع لاكتشاف بيئات التدريس الضعيفة مبكراً، وتحديد أي المعلمين أو المقررات تحتاج إلى دعم مستهدف، واختبار ما إذا كانت السياسات الجديدة تساعد الطلاب على التعلم أكثر. يؤكد المؤلفون أن النموذج ليس مثالياً — فهو يعتمد على جودة البيانات، وقد يكون متطلباً حسابياً، ويبسط بالضرورة الجانب الإنساني الغني للتعليم. ومع ذلك، إذا اُستخدم بعناية، فإنه يقدم عدسة جديدة قوية لجعل الفصول الجامعية أكثر فعالية وإنصافاً واستجابة لاحتياجات الطلاب.

الاستشهاد: He, Z., Zhang, X., Zhang, Z. et al. Assessment of influencing factors of college and universities’ teaching effects using fuzzy and deep learning techniques. Sci Rep 16, 5168 (2026). https://doi.org/10.1038/s41598-026-35940-5

الكلمات المفتاحية: فاعلية التدريس, التعليم العالي, أداء الطلاب, المنطق الضبابي, التعلم العميق