قاعدة القواعد الإيمانية المحسّنة بعدة معايير لتنبؤ أداء الطلاب مع قابلية التفسير

لماذا أصبح توقع الدرجات شأن الجميع

قد تبدو بطاقات التقارير بسيطة، لكن القوى التي تشكّل درجات الطالب أبعد ما تكون عن البساطة. تتجه المدارس بشكل متزايد إلى نماذج حاسوبية لاكتشاف الطلاب الذين يواجهون صعوبات مبكراً وتوجيه الدعم المناسب. ومع ذلك، فإن العديد من هذه النماذج عبارة عن «صناديق سوداء»: قد تكون دقيقة، لكن حتى المعلمين وأولياء الأمور لا يمكنهم رؤية سبب صدور التنبؤ. يعرض هذا البحث نهجاً جديداً يهدف إلى أن يكون دقيقاً للغاية وسهل الفهم في آنٍ واحد، حتى يتمكن المربون من الوثوق بنتائجه واتخاذ إجراءات بناءً عليها.

طريقة أذكى لقراءة الإشارات

تركز الدراسة على التنبؤ بمدى أداء الطلاب في النهاية باستخدام المعلومات التي تجمعها المدارس بالفعل: المعدل التراكمي (GPA)، والغيابات، ووقت الدراسة، والخلفية، وعوامل الأسرة والنشاط. بدلاً من الاعتماد على أنظمة التعلم العميق الغامضة، يبني المؤلفون على تقنية تسمى قاعدة القواعد الإيمانية. في هذا الإطار، يكتب الخبراء قواعد تشبه كثيراً ما قد يقوله المعلم: «إذا كان المعدل مرتفعاً والغيابات قليلة، فهناك احتمال كبير أن ينجح الطالب». تحمل كل قاعدة درجة إيمان بنتائج محتملة مثل ممتاز، جيد، ناجح، مقبول، أو راسب. يجعل هذا عملية الاستدلال مرئية ومفسّرة نظرياً لغير الخبراء.

ترويض التعقيد دون فقدان المعنى

تتمثل إحدى التحديات الرئيسية في أنظمة القائمة على القواعد في أنها يمكن أن تتضخم خارج السيطرة عندما تُضمن العديد من سمات الطالب: كل عامل إضافي يضاعف عدد القواعد المحتملة. لتفادي هذا «الانفجار في القواعد»، يستخدم الباحثون أولاً غابة عشوائية — وهي مجموعة معروفة من أشجار القرار — لقياس أي الميزات هي الأهم في التنبؤ بالأداء. في مجموعة البيانات الحقيقية المكوّنة من 2392 طالباً من مصدر عام، يشكل المعدل التراكمي وعدد الغيابات نحو 73% من قدرة النموذج التنبؤية. من خلال الاحتفاظ عمداً بهذين المدخلين فقط، يظل النموذج النهائي مدمجاً وأسهل في التفسير، مع استيعاب الجزء الأكبر من تباين نتائج الطلاب.

بناء قواعد يمكن للناس متابعتها

جوهر النموذج الجديد، المسمى IBRB-m، هو مجموعة منظمة بعناية من 25 قاعدة تجمع بين مستويات المعدل التراكمي والغيابات مع درجات الإيمان لفئات الأداء الخمس. يحدد المؤلفون بشكل رسمي ما يعنيه أن يكون مثل هذا النموذج «قابلاً للتفسير». من بين متطلباتهم: يجب أن تغطي كل مستوى مرجعي (مثل «معدل منخفض») نطاقاً واضحاً ومميزاً؛ يجب أن تغطي قاعدة القواعد جميع التركيبات الواقعية للمدخلات؛ يجب أن تكون للمعاملات مثل أوزان القواعد وأوزان السمات معانٍ بديهية؛ ويجب أن تحول الحسابات الداخلية للنظام المعلومات بطريقة شفافة ومتسقة رياضياً. بالإضافة إلى هذه الشروط التقليدية، يضيفون إرشادات خاصة بالتعليم تجبر تنبؤات النموذج على اتباع أشكال منطقية — على سبيل المثال تجنب الحالات الغريبة التي يُحكم فيها على الطالب بأنه مُرجَّح جداً أن يتفوّق وفي الوقت نفسه أن يرسب.

ترك البيانات تضبط ما يقوله الخبراء

لا يتفق الخبراء البشريون دائماً، وقد تكون قواعدهم الأولية غامضة. لتحسين هذه القواعد دون تحويل النموذج إلى صندوق أسود، يصمم المؤلفون خوارزمية تحسين مطوَّرة تبحث عن قيم معاملية أفضل مع الالتزام بقيود صارمة على قابلية التفسير. تعدل هذه الخوارزمية ليس فقط أوزان القواعد ودرجات الإيمان، بل أيضاً نقاط القطع التي تُعرِّف فئات مثل ممتاز أو ناجح. تحافظ على جميع التغييرات ضمن حدود معتمدة من الخبراء وتفرض أنماط إيمان معقولة وناعمة عبر الدرجات. في الواقع، «يدفع» الحاسوب نظام الخبراء نحو دقة أعلى، لكنه غير مسموح له باختراع قواعد قد تحيّر معلماً مطلعاً.

ما مدى فعالية ذلك عملياً؟

مختبراً على مجموعة بيانات أداء الطلاب من كاجل، يتنبأ نموذج IBRB-m بمستويات الأداء النهائية بشكل صحيح في أكثر من 99% من الحالات، متفوقاً على أنظمة القواعد الإيمانية السابقة وأدوات التعلم الآلي الشائعة مثل الشبكات العصبية، والغابات العشوائية، وجيران أقرب k. والأهم من ذلك أن القواعد المَحسَّنة تبقى قريبة من تقييمات الخبراء الأصلية عند قياسها بمقياس مسافة بسيط، مما يعني أن منطق كل تنبؤ يمكن تتبعه وتبريره. يُظهر التحقق المتقاطع عبر تقسيمات متعددة للبيانات أن أداء النموذج مستقر وليس ناتجاً عن حظ تقسيم واحد.

ماذا يعني هذا للفصول الدراسية

للقارئ العام، الخلاصة الرئيسية هي أنه من الممكن وجود أدوات لتنبؤ الطلاب تجمع بين القوة وقابلية الفهم. بدلاً من إصدار درجات مخاطر غامضة، يمكن للنموذج إبراز أنماط ملموسة مثل «معدل متوسط لكن الغيابات المتكررة» وبيان كيفية تحول هذه العوامل إلى تنبؤ مقبول أو راسب. يمكن للمعلمين والمستشارين بعد ذلك اتخاذ إجراءات مستهدفة — مثل دعم الحضور أو تدريب مهارات الدراسة — مع القدرة على شرح سبب توصل النموذج إلى استنتاجه للطلاب وأولياء الأمور بثقة. يجادل المؤلفون بأن هذا المزيج من الدقة والشفافية ضروري إذا ما أرادت الأنظمة المعتمدة على البيانات أن تلعب دوراً موثوقاً في تعزيز تعليم عادل وفعال.

الاستشهاد: Li, J., Zhou, W., Jiang, S. et al. The multi-parameter optimized belief rule base for predicting student performance with interpretability. Sci Rep 16, 5772 (2026). https://doi.org/10.1038/s41598-026-35950-3

الكلمات المفتاحية: تنبؤ أداء الطلاب, الذكاء الاصطناعي القابل للتفسير, قاعدة القواعد الإيمانية, تنقيب بيانات تعليمية, تعلم آلي قابل للتفسير