تحليل أداء شبكة تسلسلية معتمدة على الانتباه والمحسّنة للتوزيع الطويل الأمد للتعاقب لتعلّم إلكتروني تكيفي بين متخصصي تكنولوجيا المعلومات

تدريب عبر الإنترنت أذكى لمحترفي التقنية العاملين

بالنسبة للعديد من متخصصي تكنولوجيا المعلومات، أصبحت الدورات عبر الإنترنت هي الوسيلة الأساسية للحفاظ على حداثة المهارات. ومع ذلك، لا تزال معظم منصات التدريب تقَيّم الأشخاص بأدوات بسيطة مثل مجموعات الاختبارات أو شارات الإنجاز. تعرض هذه الدراسة طريقة أذكى لقراءة «البصمات» الرقمية التي يتركها المتعلمون وتحويلها إلى رؤى دقيقة وفي الوقت الحقيقي حول مدى تعلم كل شخص فعلاً.

لماذا تفشل الدورات عبر الإنترنت ذات المقاس الواحد للجميع

يتعامل التعلّم الإلكتروني التقليدي مع معظم المتعلمين بنفس الطريقة: الجميع يرى نفس الوحدات، ويجري نفس الاختبارات، ويُحكم عليهم باستخدام اختبارات ثابتة. هذا النهج يتجاهل اختلاف وتيرة تقدم المحترفين، خصوصاً في مجالات سريعة الحركة مثل الأمن السيبراني أو الحوسبة السحابية. حاولت أبحاث سابقة معالجة ذلك باستخدام تعلّم آلي—بجمع درجات الاختبارات، والوقت المستغرق، وبيانات النقر للتنبؤ بالنجاح—لكن العديد من النماذج واجهت صعوبات مع البيانات المشوشة أو الناقصة، أو لم تستطع التوسع لتلائم منصات واقعية، أو فشلت في تتبع كيفية تطور التعلم على مدى أسابيع وأشهر. والنتيجة كانت غالباً ملاحظات متأخرة وخشنة لا يمكنها توجيه محتوى مخصّص أو التدخّل في الوقت المناسب بسهولة.

تحويل سجلات الدورات الخام إلى بيانات نظيفة وعادلة

يبدأ المؤلفون بتصميم خط بيانات دقيق لمتخصصي تكنولوجيا المعلومات الذين يستخدمون منصات التعلم التكيّفي. يجمعون مزيجاً غنياً من المعلومات: تفاصيل ملف تعريف أساسية مثل العمر والدور الوظيفي؛ وآثار سلوكية مثل الوقت المستغرق، وتواريخ الوصول، والأيام النشطة؛ ومؤشرات أداء بما في ذلك درجات الاختبارات، والمحاولات، والشهادات، وتقييمات الملاحظات. قبل أي نمذجة، ينقّون البيانات—بحذف السجلات المكررة، وتقدير القيم المفقودة بالنظر إلى متعلمين مشابهين، وتصحيح توزيعات الفئات المنحرفة بحيث يتم تمثيل أصحاب الأداء المنخفض والمتوسط والعالٍ بصورة أكثر عدلاً. تساعد خطوة الموازنة هذه على تجنّب نماذج تكون واثقة بشكل مفرط فقط من المتعلمين «المتوسطين» الشائعين وتتجاهل الذين يعانون أو يتفوّقون.

اختيار الإشارات الأكثر دلالة فقط

من مجموعة البيانات النظيفة، لا يقوم النظام ببساطة بإدخال كل عمود متاح في صندوق أسود. بدلاً من ذلك، يستخدم مجموعة من خمسة طرائق ترتيب بسيطة ليحدد أي الميزات هي الأهم فعلاً للتنبؤ بنتائج التعلم. يفحص كل أسلوب العلاقة بين ميزة مرشحة—مثل عدد محاولات الاختبار أو الوقت المستغرق—والتسمية النهائية للأداء. من خلال جمع ترتيباتهم باستخدام درجة الوسيط، يعمل هذا النهج على ترشيح الإشارات الصاخبة أو المتكررة ويحتفظ فقط بالأكثر إفادة. لا يقلل ذلك فقط من حجم الحساب الذي يحتاجه النموذج اللاحق، بل يساعده أيضاً على التركيز على الأنماط التي تميز بوضوح بين المتعلمين ذوي الأداء المنخفض والمتوسط والعالي.

شبكة هجينة تُدَرَّب مثل فريق رياضي

جوهر الدراسة هو نموذج تعلم عميق هجين يدعى ACLNet، مقترن باستراتيجية تدريب غير تقليدية مستوحاة من الرياضات الجماعية. يستخدم ACLNet أولاً كتل «الخلط» الخفيفة لضغط وخلط إشارات المدخلات بكفاءة، ثم يمررها إلى وحدة ذاكرة تتتبّع كيف يتغير سلوك المتعلم مع الزمن. تبرز طبقة انتباه في الأعلى القنوات الأكثر تأثيراً—مثل الانخفاضات المفاجئة في النشاط أو درجات الاختبارات المرتفعة باستمرار—قبل إصدار التنبؤ النهائي بفئة أداء المتعلم. لضبط العديد من الإعدادات الداخلية لهذه الشبكة، يقدم المؤلفون خوارزمية تدريب فريق كرة قدم فوضوية (ChF2T). هنا، يستكشف «اللاعبون» الافتراضيون إعدادات معلمات مختلفة، مقلدين أداءً قوياً، متجنبين الضعيف، وأحياناً يقومون بقفزات فوضوية كبيرة تساعد البحث على الخروج من خيارات محلية ضعيفة. هذا المزيج من البنية والعشوائية المضبوطة يسرّع التقارب ويقلل الإفراط في التخصيص.

مدى أداء النظام في الممارسة العملية

يختبر الباحثون مسارهم على مجموعة بيانات تركيبية لكنها واقعية تضم 1200 متخصص في تكنولوجيا المعلومات، بُنيت لمحاكاة سجلات أنظمة إدارة التعلم الحقيقية مع توزيعات فئات متعمدة غير متساوية. يقارنون نموذج ChF2T‑ACLNet المقترح بعدة قواعد قوية، بما في ذلك إعدادات التعلم الموزع، وشبكات متقدمة من نوع معالجة الصور معدّلة للتعليم، ونماذج عميقة أو تجميعية أخرى. عبر إعدادات تحقق متقاطع متعددة، يصل الأسلوب المقترح إلى نحو 98.9% دقة، مع دقة واسترجاع وقيم F‑مشابهة عالية. كما يحقق درجة اتفاق قريبة من المثالية تُصحّح للمصادفة وتقدم قيم مساحة تحت المنحنى قوية، مما يعني أنه يفصل بين مستويات الأداء بشكل موثوق عبر العديد من العتبات. وبالرغم من تعقيده، يعمل النظام أسرع من المناهج المنافسة، وذلك بفضل اختيار الميزات الدقيق، وتصميم الشبكة الفعال، والتقارب السريع لمُحسّن المعلمات.

ماذا يعني هذا للتعلّم عبر الإنترنت اليومي

بعبارات بسيطة، تُظهر هذه الدراسة أنه من الممكن مراقبة كيفية تقدم المحترفين عبر الدورات الرقمية واستنتاج، بثقة عالية، من يكافح ومن يتقدم بسهولة ومن يتقن المادة—دون الانتظار للامتحان النهائي. يمكن لمثل هذا النظام أن يطلق تلميحات مبكرة، أو يوصي بتمارين مختلفة، أو ينبه الموجهين قبل وقت طويل من تخلف المتعلم. يشير المؤلفون إلى تحديات متبقية، بما في ذلك التوسع إلى منصات كبيرة جداً، والتكيّف مع تصميمات الدورات سريعة التغير، وجعل قرارات النموذج أسهل للفهم. ومع ذلك، يمثل نهجهم خطوة قوية نحو أنظمة تعلم إلكتروني تتصرف أشبه بمدربين شخصيين يقظين بدل أن تكون كتباً رقمية ثابتة.

الاستشهاد: Yuvapriya, P., Subramanian, P. & Surendran, R. Optimized attention-based cascaded shuffle long-term dependent network based performance analysis of adaptive e-learning among IT professionals. Sci Rep 16, 6245 (2026). https://doi.org/10.1038/s41598-026-36470-w

الكلمات المفتاحية: التعلّم الإلكتروني التكيّفي, تحليلات التعلم, التعلّم العميق, تدريب متخصصي تكنولوجيا المعلومات, تنبؤ أداء الطلاب