الذكاء القابل للتفسير في التعليم: دمج معرفة المجال التعليمية في نموذج التعلم العميق لتحسين التنبؤ بأداء الطلاب

لماذا تهم التنبؤات الأذكى عن الطلاب

تتجه المدارس بشكل متزايد إلى الذكاء الاصطناعي لاكتشاف الطلاب الذين قد يواجهون صعوبات والذين قد يحتاجون إلى دعم إضافي. لكن عندما تتصرف هذه الأنظمة كصناديق سوداء مغلقة، فإنها قد تبرز أنماطاً غريبة — مثل الإيحاء بأن الحياة العاطفية للمراهق أهم من وقت دراسته — مما يترك المعلمين وأولياء الأمور في حيرة بشأن ما إذا كانوا يثقون في النتائج. تُظهر هذه الورقة كيف يمكن بناء نظام لتنبؤ أداء الطلاب لا يقدّم تنبؤات أدق في درجات الرياضيات فحسب، بل «يستدل» أيضاً بطرق تتوافق مع ما توصلت إليه عقود من أبحاث التعليم.

من البيانات الخام إلى تنبيهات المخاطر

عمل الباحثون مع مجموعة بيانات عامة معروفة تضم 395 طالباً في المدارس الثانوية البرتغالية، وُصِفَ كل طالب فيها بواسطة 30 معلومة. تراوحت هذه المعلومات من البيانات الديموغرافية الأساسية (العمر، الجنس، حجم الأسرة) إلى تفاصيل متعلقة بالمدرسة (وقت الدراسة، الغيابات، الدروس الإضافية) وجوانب من الحياة الاجتماعية والرفاهية (علاقات الأسرة، الوقت الحر، الخروج مع الأصدقاء). كان الهدف التنبؤ بدرجة كل طالب النهائية في الرياضيات ثم تصنيفهم إلى ثلاث فئات عملية: مرجح الرسوب، على المسار الصحيح، أو أداء متميز. تم تدريب نموذج تعلم عميق يُدعى الشبكة العصبية الاصطناعية (ANN) لالتقاط أنماط دقيقة عبر كل هذه العوامل.

عندما يخطئ الصندوق الأسود

على الرغم من أن الشبكة العصبية الأصلية حققت دقة محترمة، فإن الفحص الأدق كشف أمراً مقلقاً. باستخدام تقنية تفسير حديثة تُعرف باسم SHAP، فحص المؤلفون الميزات التي اعتمد عليها النموذج أكثر من غيرها. بعض أقوى إشاراته اصطدمت بنتائج تعليمية راسخة. على سبيل المثال، بدا أن المدرسة التي يدرس فيها الطالب، وحالته العاطفية، وعدد مرات خروجه مؤثرة بشكل غير معتاد، في حين أُعطي عوامل مدعومة بالأبحاث مثل تعليم الوالدين، عمل الأم، الحضور المبكر في الحضانة، حجم الأسرة، ووقت الدراسة الأسبوعي وزناً مفاجئاً قليلاً. اقترحت هذه التباينات أن الشبكة العصبية كانت تتشبث بخصوصيات هذه المجموعة البيانية بدلاً من علاقات يعتبرها المربون ذات مغزى أو عدالة.

تعليم الشبكة ما يعرفه المعلمون بالفعل

لإعادة توجيه النموذج نحو بصيرة تعليمية، اقترح المؤلفون استراتيجية تدريب جديدة تسمى خوارزمية تفسير تنبؤ أداء الطلاب (SPPE). أولاً، استعرضوا الأدبيات التربوية لتصنيف الميزات إلى مجموعتين تقريبتين: تلك المرتبطة باستمرار بالتحصيل (مثل وقت الدراسة، تعليم الوالدين، والطموحات للتعليم العالي) وتلك التي تعتبر مؤشرات أضعف أو أكثر غموضاً (مثل الحالة العاطفية أو تقييمات العلاقات الأسرية العامة). أثناء التدريب، يدفع SPPE الشبكة العصبية لزيادة اعتمادها على المجموعة الأولى وتخفيف الاعتماد على المجموعة الثانية. يفعل ذلك بمراقبة مدى مساهمة كل ميزة في التنبؤات وإضافة عقوبة طفيفة كلما انحرف نمط الأهمية الذي تعلمته الشبكة عن هذه المعرفة المجال.

تفسيرات أوضح وتنبؤات أدق

بعد تعديلات SPPE، تغير التفكير الداخلي للنموذج بطرق توافق توقعات المربين بشكل أفضل. ارتفعت أهمية وقت الدراسة، خلفية الوالدين، حجم الأسرة، والتعليم المبكر، بينما أصبحت هوية المدرسة، الخروج، والحالة العاطفية أقل هيمنة. وعلى نحو لا يقل أهمية، لم تؤدِ هذه المحاذاة إلى التضحية بالدقة — بل زادتها. عند التنبؤ بأي من نطاقات الدرجات الثلاث سيقع الطالب فيها، صنّف النموذج المحسّن نحو ثلثي الطلاب بشكل صحيح، مقارنةً بقليل أكثر من ثلث الطلاب لدى النموذج الأصلي. ارتفعت مقاييس الدقة، والاستدعاء، ومقياس F1 المدمج بشكل ملحوظ، وأكدت الاختبارات الإحصائية أن المكاسب من غير المرجح أن تكون بسبب الصدفة. كما أظهر المؤلفون أن استراتيجية SPPE نفسها حسنت عدة تصاميم شبكات عصبية أخرى، ما يوحي بأن النهج متين وليس حيلة لمرة واحدة.

ماذا يعني هذا للفصول الدراسية والذكاء الاصطناعي

بالنسبة للمربين وصانعي السياسات، تقدم الدراسة مخرجاً من الاختيار المحرج بين نماذج دقيقة لكنها غامضة ونماذج شفافة لكنها ضعيفة. من خلال نسج الخبرة البشرية في عملية التعلم نفسها، ينتج SPPE تنبؤات أكثر موثوقية وأسهل في التبرير: وقت الدراسة والطموحات التعليمية الطويلة الأجل لهما وزن أكبر من المدرسة التي يحضرها الطالب بالصدفة. وبينما تركز الدراسة على مجموعة بيانات رياضيات واحدة من البرتغال، فإن الرسالة الأوسع هي أن الذكاء القابل للتفسير والموجه بالمعرفة يمكن أن يدعم قرارات أفضل وأكثر عدلاً بشأن دعم الطلاب — بشرط أن تُؤخذ السياقات المحلية والحكم الخبروي بعين الاعتبار منذ البداية.

الاستشهاد: Qiang, M., Liu, Z. & Zhang, R. Explainable AI in education: integrating educational domain knowledge into the deep learning model for improved student performance prediction. Sci Rep 16, 9515 (2026). https://doi.org/10.1038/s41598-026-40538-y

الكلمات المفتاحية: التنبؤ بأداء الطلاب, الذكاء القابل للتفسير, تنقيب بيانات التعليم, الشبكات العصبية في التعليم, دمج معرفة المجال