LaED: نموذج تعلم عميق جديد خفيف الوزن، واعٍ بالحافة وقابل للتفسير لتعقب الحضور الوجهي مع الحفاظ على الخصوصية في بيئات تعليمية محدودة الموارد

لماذا أهمية نداءات الحضور الأكثر ذكاءً

قد يبدو أخذ الحضور روتينياً، لكن في كثير من المدارس يتم تسليم هذه المهمة تدريجياً إلى التعرف الوجهي. هذا التحول يعد بخطأ أقل وأوراق عمل أقل، لكنه يثير أيضاً تساؤلات صعبة حول خصوصية الطلاب، والأمن الرقمي، والعدالة. تقدم هذه الدراسة LaED، نظام حضور صفّي جديد يحاول الحفاظ على راحة التعرف الآلي على الوجوه مع تقليل المخاطر التي أدت إلى ردود فعل عامة وإجراءات تنظيمية في عدة دول.

من ماسحات الوجوه البسيطة إلى أدوات صفّية أكثر أماناً

تعاملت الأنظمة الصفّية المبكرة مع الحضور كمهمة مطابقة نمطية بحتة: عثر على وجه، طابقه بصورة محفوظة، وسجل الطالب حاضرًا. تبدأ LaED من فرضية مختلفة. بنيت حول الفصول الواقعية، حيث يتغير الإضاءة، ويتحرك الطلاب، وليس كل شخص قد وافق على المسح. يجادل المؤلفون بأن أي حل جاد يجب أن يتعامل مع خمس قضايا في آن واحد: مقاومة الوجوه المزيفة، رفض الأشخاص المجهولين، معاملة المجموعات الديموغرافية بعدل، حماية البيانات الحساسة، وترك أثر مراجعي لقرارات النظام. صُممت LaED كسلسلة من ثلاث طبقات تعالج كل هذه المخاوف بدلاً من مطاردة الدقة وحدها.

رؤية من هو حاضر فعلاً، لا ما تراه الكاميرا فقط

الطبقة الأولى، المسماة طبقة الإدراك، تركز على التحقق مما إذا كان الوجه المرصود فعلاً يعود لشخص حي أمام الكاميرا. تستخدم تغيرات صغيرة في لون الجلد تتبع نبضات القلب ودلائل توقيت دقيقة في إطارات الفيديو لاكتشاف الصور المطبوعة، أو مقاطع الفيديو المُعاد تشغيلها، أو الأقنعة ثلاثية الأبعاد، أو مقاطع التزييف العميق. تُستبعد المدخلات التي تبدو مزيفة أو منخفضة الجودة أو مُعدلة بشدة قبل اتخاذ أي قرار بالهوية. يقلل هذا الفحص الإضافي بشكل حاد من احتمال خداع النظام بواسطة شاشة هاتف أو تمكن شخص خارجي من المرور باستخدام وسائط اصطناعية.

التعرّف على الطلاب مع رفض الغرباء

بمجرد أن تجتاز الصورة هذه الفحوصات، تستخرج طبقة الهوية في LaED تمثيلاً وجهيًا مدمجًا باستخدام شبكة محول صغيرة مُحسّنة لأجهزة منخفضة التكلفة مثل Raspberry Pi أو Jetson Nano. بدلاً من إجبار كل وجه على الدخول في فتحة معروفة، يستخدم النظام استراتيجية «المجموعة المفتوحة»: إذا كانت درجة التشابه مع جميع الطلاب المسجلين أقل من عتبة، يوصف الشخص بالمجهول ولا يُضاف إلى قائمة الحضور. أثناء التدريب، يدفع النموذج أيضاً تمثيله الداخلي بحيث تتكتّل مجموعات العمر والجنس ولون البشرة بشكل أكثر توازناً، ما يقلل الفجوات في الأداء التي لازمت العديد من الأنظمة التجارية، خصوصاً للطلاب ذوي البشرة الداكنة والأصغر سناً.

الحفاظ على البيانات محلياً وجعل القرارات قابلة للمساءلة

الطبقة النهائية للثقة مسؤولة عما يحدث بعد اتخاذ القرار. تحتفظ LaED بالبيانات البيومترية على أجهزة المدرسة بدلاً من السحابة المركزية وتعتمد على التعلم الفدرالي، حيث تُشارك فقط تحديثات نموذج مشفّرة لتحسين الأداء عبر المواقع. يقلل الضجيج الرياضي الإضافي من خطر إعادة بناء وجه أي طالب من تلك التحديثات. يُسجل كل حدث حضور في سجل مقاوم للعبث يسجل التوقيت، ونقاط الثقة، وحالة الموافقة. يتيح ذلك للمدارس والمنظمين مراجعة كيفية عمل النظام واحترام طلبات حذف السجلات السابقة.

كيف كان أداؤه في العالم الحقيقي

لاختبار LaED، جمع الباحثون عدة مجموعات بيانات عامة تتضمن هجمات تزوير، وتزييف عميق، ووجوه متنوعة مع مجموعة صفّية صغيرة مبنية على الموافقة. حققت LaED حوالي 98 بالمئة دقة في التعرف مع إبقاء معدلات الخطأ للعروض المزيفة أقل من 2 بالمئة والحفاظ على فجوات أداء صغيرة جداً عبر المجموعات الديموغرافية. كما عملت بسرعة كافية للاستخدام في الوقت الحقيقي على أجهزة طرفية متواضعة، مستخدمةً بضعة واطات فقط من الطاقة. عندما أزيلت أجزاء من النظام في اختبارات الإخراج، زادت هجمات التزوير أو المعاملة غير العادلة أو مخاطر الخصوصية بسرعة، مما يبرز الحاجة إلى التصميم الطبقي الكامل.

مسار حذر نحو تتبع حضور مسؤول

للقراء العامين، الرسالة الأساسية أن الحضور الآلي لا يجب أن يكون مقايضة كلية بين الراحة والحقوق المدنية. تُظهر LaED أنه من خلال الجمع بين فحوصات الوسائط المزيفة، والتعامل الحذر مع الوجوه المجهولة، وتدريب واعٍ بالإنصاف، والمعالجة المحلية للبيانات، والتسجيل التفصيلي، يمكن الحصول على معلومات حضور موثوقة مع احترام أفضل لخصوصية وكرامة الطلاب. يؤكد المؤلفون، مع ذلك، أن التكنولوجيا وحدها غير كافية: فالثقة الدائمة ستعتمد أيضاً على موافقة واضحة، وإشراف قوي، وتكييف دقيق مع سياسات وقوانين المدارس المحلية.

الاستشهاد: Abiodun, E.O., Abiodun, O.I., Alawida, M. et al. LaED: a novel lightweight, edge-aware and explainable deep learning model for privacy-preserving facial attendance tracking in resource-constrained educational environments. Sci Rep 16, 15215 (2026). https://doi.org/10.1038/s41598-026-42051-8

الكلمات المفتاحية: التعرف الوجهي في التعليم, الذكاء الاصطناعي المحافظ على الخصوصية, نظام حضور في الفصل, الكشف عن التزييف العميق والتزوير, المعرفيات البيومترية العادلة والقابلة للتفسير