نموذج تقييم المقررات في التعليم المهني قائم على الشبكة العصبية الراجعة محسّن بالخوارزمية الجينية

لماذا يهم قياس المهارات بطرق جديدة

مع اختيار مزيد من الشباب في الصين وحول العالم للكليات المهنية، تواجه المدارس ضغوطاً للحكم على الطلاب بعدل وبسرعة. غالباً ما تعتمد التقييمات التقليدية للمقررات على انطباعات المعلمين أو المتوسطات البسيطة لدرجات الاختبارات، ما قد يكون ذاتياً، وبطيئاً في التحديث، وصعب التوسع إلى آلاف المتعلمين. تستكشف هذه الدراسة كيف يمكن لشكل مخصص من الذكاء الاصطناعي تحويل سجلات مبعثرة من مصادر عديدة إلى صور واضحة وموثوقة لأداء الطلاب، مما يساعد المدارس على دعم المتعلمين وتحسين جودة التدريس.

تحدي تقييم التعلم في العالم الواقعي

يركز التعليم المهني على المهارات العملية: لحام وصلة، توصيل دارة، أو إدارة محاكاة أعمال. يكون تقييم هذا النوع من التعلم أصعب من تقييم اختبار واحد. تجمع الكليات العديد من عناصر المعلومات — الحضور، أعمال المختبر، تقييمات المعلمين، والمزيد — وغالباً ما تُخزن بصيغ مختلفة. قد يزن المقيمون البشريون هذه العوامل بطرق متباينة، مما يؤدي إلى نتائج غير متسقة. في الوقت نفسه، تحتاج بعض نماذج الذكاء الاصطناعي الحديثة إلى مجموعات بيانات ضخمة وقدرات حاسوبية كبيرة، وهو ما تفتقر إليه العديد من المدارس. انطلق المؤلفون لتصميم نظام أخف وأكثر شفافية قادر على التعامل مع بيانات متنوعة مع الحفاظ على قرارات موضوعية قدر الإمكان.

محرك ذكي مكيّف لبيانات التعليم المهني

قلب الدراسة هو نموذج تقييم المقررات المبني على شبكة عصبية نوع الارتداد الخلفي، وهي تقنية ذكاء اصطناعي كلاسيكية تتعلم الأنماط بمقارنة توقعاتها مع النتائج الفعلية مراراً. لجعل هذه الشبكة تعمل جيداً على بيانات التعليم، ينظف الباحثون أولاً كل القيم المدخلة ويقيسونها بحيث يمكن مقارنة المؤشرات المختلفة — مثل درجات الاختبارات أو معدلات الحضور — على أساس متساوٍ. ثم يستخدمون طريقة "الإنتروبيا" لحساب مدى إخبارية كل مؤشر، مانحين وزناً أكبر للعوامل التي تتباين بشكل ذي معنى عبر الطلاب وأقل لتلك التي تتغير قليلاً. يقلل هذا من تأثير التخمين حول المؤشرات الأكثر أهمية.

الاستعانة بالتطور لتحسين التعلم

فوق هذه الشبكة الأساسية، يضيف الفريق خوارزمية جينية مستوحاة من الانتقاء الطبيعي. تُعامل الإعدادات المحتملة للوصلات الداخلية للشبكة كأفراد في تجمع سكاني. من خلال جولات متكررة من الانتقاء وإعادة التركيب، تبحث الخوارزمية على نطاق واسع عن تراكيب واعدة للأوزان والعتبات، مما يساعد النظام على تجنب الوقوع في حلول ضعيفة. بمجرد العثور على منطقة جيدة، تتولى طريقة ثانية، معروفة باسم لوينبرغ–ماركوارمت، ضبط المعلمات بسرعة ودقة. توازن هذه العملية ذات المرحلتين بين الاستكشاف الواسع والتعديل المحلي السريع، مما يسمح للنموذج بالتعلم بدقة من مجموعات بيانات متواضعة نسبياً.

ما مدى كفاءة النموذج في الفصول الدراسية؟

لاختبار نهجهم، بنى المؤلفون مجموعتي بيانات واقعيّتين من مؤسسات مهنية صينية، تحتويان على آلاف سجلات المقررات من تخصصات ومدارس متعددة، بالإضافة إلى مجموعات بيانات طلابية عامة إضافية. قارنوا نموذجهم الهجين بعدة بدائل، بما في ذلك الشبكات العصبية التقليدية، الشبكات المتكررة، وأساليب تحسين أخرى. عبر مقاييس مثل خطأ التنبؤ، الاستقرار عبر تجارب متكررة، والتوافق بين الدرجات المتوقعة والفعلية للمقررات، برز النموذج الجديد باستمرار في الصدارة. قلّص أخطاء التنبؤ النموذجية إلى نطاق نسب مئوية أحادية الرقم، وحقق اتفاقاً عالياً جداً مع نتائج التقييم الفعلية، وحافظ على أداء قوي عند تدريبه واختباره على مجموعات طلابية مختلفة.

ماذا يعني هذا للطلاب والمدارس

بعبارات يومية، تُظهر الدراسة أن نظام ذكاء اصطناعي مصمم بعناية يمكنه تحويل سجلات التعلم المهني المعقدة والمتعددة الجوانب إلى تقييمات مقررات موثوقة أقل تحيزاً وأكثر اتساقاً من العديد من الطرق الحالية. من خلال الموازنة التلقائية بين اختبارات المعرفة، الممارسة العملية، والصفات الأوسع مثل العمل الجماعي، يعكس النموذج أهداف التعليم المهني الحديث مع تخفيف عبء العمل عن المعلمين والإداريين. على الرغم من الحاجة لمزيد من العمل لمعالجة قضايا مثل العدالة عبر مجموعات طلابية مختلفة والتكيّف مع نظم دول أخرى، فإن هذا الإطار يشير إلى طرق أكثر ذكاءً وشفافية للاعتراف بالمهارات العملية ودعم المتعلمين في المسارات المهنية.

الاستشهاد: Luo, W., Zang, L., Liang, W. et al. Course assessment model in vocational education based on BPNN optimized by genetic algorithm. Sci Rep 16, 12686 (2026). https://doi.org/10.1038/s41598-026-43397-9

الكلمات المفتاحية: التعليم المهني, تقييم المقرر, الشبكات العصبية, الخوارزميات الجينية, تنقيب بيانات التعليم