شبكة بيانية مكانية-زمانية متعددة المقاييس قابلة للتكيّف للتنبؤ القوي بترك دورات التعلم المفتوحة عبر الإنترنت

لماذا يهم ترك الدورات عبر الإنترنت

تعد الدورات الضخمة المفتوحة عبر الإنترنت، أو MOOCs، بتوفير تعليم عالي الجودة لأي شخص لديه اتصال بالإنترنت. ومع ذلك، فإن معظم المسجلين لا يُنهون الدورة: ففي العديد من الدورات يختفي أكثر من أربعة من كل خمسة متعلمين قبل نهايتها. تتناول هذه الورقة سؤالاً عملياً وراء تلك الأرقام: هل يمكننا اكتشاف الطلاب المعرضين لخطر الانسحاب بدقة وفي وقت مبكر بما يكفي لتمكين المدرسين أو المنصات من التدخل والمساعدة — خاصة في الدورات الواقعية غير المنظمة حيث يدرس كل فرد وفق جدول زمني خاص به؟

التعلم من شبكة المتعلمين والمقررات

بدلاً من اعتبار كل طالب سطرًا معزولًا في جدول بيانات، يرى المؤلفون المَوْقِع التعليمي بوصفه شبكة حية. في هذه الشبكة توجد عقد للطلاب، ووحدات المقرر، والدورات بأكملها، مرتبطة بأنماط غنية من النشاط: مشاهدة الفيديوهات، محاولة الاختبارات، الانضمام إلى المنتديات، أو أخذ عدة دورات. يتغير هذا البناء مع الزمن مع تفاعل المتعلمين — أو توقفهم عن التفاعل — مع أجزاء مختلفة من المقرر. من خلال نمذجة هذا الويب المتطور، يمكن للنظام التقاط ليس فقط مقدار ما يفعله الطالب، بل كيف يرتبط سلوكه بمحتوى محدد، ونشاط الأقران، وتصميم المقرر.

الانفجارات القصيرة مقابل العادات طويلة الأمد

تعتمد العديد من أنظمة التنبؤ الحالية على ذاكرة خطوة بخطوة: تحدّث نظرتها لحالة الطالب باستخدام شريحة الزمن الأخيرة فقط. يجادل المؤلفون بأن هذا تبسيط مفرط للسلوك التعليمي الحقيقي، الذي غالبًا ما يعكس صراعاً بين صدمات مفاجئة واتجاهات طويلة الأمد. قد يشهد الطالب ارتفاعًا مؤقتًا في النشاط أثناء محاولته اللحاق، أو تباطؤًا خلال أسبوع مزدحم، دون أن يُعرّف ذلك المسار العام له. المفتاح هو معرفة متى نثق في التغير الأخير ومتى نعتمد على التاريخ الأعمق.

شبكة تتذكّر على مقياسين زمنيّين

لمعالجة ذلك، تقدم الورقة MST-GCN، وهي شبكة بيانية «متعددة المقاييس» تنظر في السلوك الحديث والأنماط الأقدم في الوقت نفسه. في كل خطوة، يبني النموذج لقطة لشبكة التفاعل ويستخدم وحدة بيانية متخصصة لتلخيص سياق التعلم الحالي حول كل طالب: المواد التي اطلعوا عليها، الأقران الذين يشبهونهم، ومدى صعوبة عناصر المقرر. ثم يدمج «بوابة قابلة للتكيّف» ذاكرَتين: واحدة تلتقط الزخم الفوري وأخرى تعكس التفاعل الأكثر ثباتًا من الماضي. والأهم أن وزن كل ذاكرة يتحدد بحسب السياق الحالي في الشبكة، وليس بقاعدة ثابتة.

اختبار النموذج

يختبر المؤلفون MST-GCN على مجموعتين كبيرتين من بيانات العالم الحقيقي. الأولى، من مسابقة KDD Cup 2015، تحتوي على دورات مجدولة بإحكام وبقيادة مدرسين. الثانية، من منصة XuetangX، تتضمن مئات الدورات المجدولة والذاتية الإيقاع حيث يمكن للطلاب البدء والتقدم في أوقات غير منتظمة. في كلا السياقين، تفوق حالات الانسحاب عدد مكملّي الدورة بكثير، مما يجعل التنبؤ تحديًا خاصًا. مقارنة بأساليب التعلم الآلي الكلاسيكية، ونماذج التسلسل مثل LSTM، والأساليب المعتمدة على المحولات، والأنظمة البيانية السابقة، يحقق MST-GCN نتائج أفضل باستمرار في تمييز الذين يحتمل أن ينسحبوا عن الذين من المرجح أن يكملوا. التحسّن متواضع لكنه واضح في الدورات الأسبوعية المنظمة، وأكثر وضوحًا في الدورات الذاتية الإيقاع حيث يكون السلوك أكثر ضجيجًا وتوقيته أقل توقعًا.

نظرة داخل الصندوق الأسود

بعيدًا عن الدقة الخام، يفحص المؤلفون كيف تتصرف البوابة القابلة للتكيّف. عندما يظهر الطالب ارتفاعًا حادًا ومستدامًا في النشاط، تميل البوابة نحو السلوك الحديث، «مستمعة» إلى الزخم الجديد. وعندما تكون الإشارات الحالية ضعيفة أو متقطعة، تعود البوابة إلى الأنماط طويلة الأمد، متجنبة الإفراط في رد الفعل حيال قفزة أو هبوط لمرة واحدة. تُظهر تصوريات التمثيلات الداخلية للطلاب أن مجموعات المنسحبين وغير المنسحبين تتجمع بشكل منفصل، مما يشير إلى أن الشبكة قد تعلّمت مفاهيم ذات مغزى للتفاعل. توضح دراسات حالة إضافية أن النموذج يمكنه مقاومة التضليل الناتج عن الدراسة المكثفة في اللحظة الأخيرة بينما يكافئ التحسن الحقيقي والمستدام.

ماذا يعني هذا للمتعلمين والمعلمين عبر الإنترنت

للقارئ العام، الخلاصة أن الانسحاب ليس مسألة مقدار ما يفعله المتعلم الآن فحسب، بل يتعلق بكيفية انضباط السلوك الحالي داخل قصة أطول. من خلال الجمع بين رؤية غنية لشبكة المقرر وفكرة مرنة عن الذاكرة، يقدم MST-GCN طريقة أكثر ثباتًا وقابلة للتفسير للتنبؤ بمن من المرجح أن يغادر ومن يسير على المسار الصحيح للإكمال. ومع أن النموذج لا يوفر بعد شروحات دقيقة تحدد فيديوهات أو واجبات بعينها كمشكلات، فإن تصميمه يقرب التعليم عبر الإنترنت من أنظمة إنذار مبكر موثوقة ومتوافقة مع الطريقة التي يتغير بها المتعلمون الحقيقيون عبر الزمن.

الاستشهاد: Duan, Y., Chen, X. An adaptive multi-scale spatio-temporal graph network for robust MOOC dropout prediction. Sci Rep 16, 10966 (2026). https://doi.org/10.1038/s41598-026-40502-w

الكلمات المفتاحية: التنبؤ بترك دورات MOOC, تنقيب بيانات التعليم, الشبكات العصبية البيانية, تفاعل الطلاب, أنظمة الإنذار المبكر