SCB-YOLO: شبكة خفيفة ومتكيّفة محسّنة بالانتباه لاكتشاف سلوك الطلاب في بيئات الفصول المعقدة

مراقبة الفصل بطريقة جديدة

اعتمد المعلمون دائمًا على بصيرتهم وبصركم لتقدير ما إذا كان الطلاب يستمعون أو يقرؤون أو ينسحبون ذهنيًا بهدوء. لكن في فصول اليوم المزدحمة والمدارس المعتمدة على البيانات، يصبح من شبه المستحيل لشخص واحد تتبّع سلوك كل طفل في الوقت الحقيقي. تقدم هذه الورقة SCB-YOLO، نظام ذكاء اصطناعي صغير يمكنه اكتشاف سلوكيات الطلاب الأساسية تلقائيًا — مثل رفع اليد والقراءة والكتابة — من فيديوهات فصل عادية، حتى في ظروف إضاءة سيئة أو ازدحام بصري. الهدف ليس استبدال المعلمين، بل تزويدهم بتدفّق مستمر وموضوعي من المعلومات حول كيفية تفاعل الطلاب، ما يفتح الباب نحو تعليم أكثر تخصيصًا واستجابة.

لماذا تهم أفعال الطلاب

تحمل الأفعال البسيطة في الفصل قدرًا كبيرًا من المعلومات. يرتبط تكرار رفع اليد والقراءة المستمرة والكتابة المركزة ارتباطًا وثيقًا بمستوى تعلم الطلاب ومدى تفاعلهم. تقليديًا، كان المعلمون أو المراقبون يسجلون هذه السلوكيات يدويًا، وهي عملية بطيئة وذاتية وصعبة التوسع لأكثر من بضع دروس. حاولت المحاولات المبكرة لأتمتة ذلك باستخدام حسّاسات قابلة للارتداء أو أجهزة خاصة بالغرفة، لكن تلك الأجهزة كانت تدريجيًا متطفلة ومكلفة وأثارت مخاوف تتعلّق بالخصوصية. بالمقابل، يمكن لرؤية الحاسوب الحديثة العمل من تدفقات فيديو عادية متواجدة بالفعل في العديد من المدارس، وتحويل البكسلات الخام إلى سجل لسلوك الطلاب دون تعطيل سير الدرس.

من الفيديو الخام إلى السلوك المعترف به

يبني SCB-YOLO على عائلة شهيرة من نماذج الرؤية المعروفة باسم YOLO، التي تستطيع اكتشاف وتحديد موقع الأشياء في صورة بتمريرة سريعة واحدة. عدّل الباحثون النسخة الخفيفة YOLOv11n وأعادوا تشكيلها خصيصًا لفصول المدارس الابتدائية، حيث الإضاءة غير المتكافئة والمكاتب والجدران المزدحمة وغالبًا ما يحجب الطلاب بعضهم البعض عن المشهد. يحتوي مجموعهما SCB-Dataset3-S على أكثر من 5000 صورة صفية حقيقية موسومة بثلاث سلوكيات أساسية: رفع اليد والقراءة والكتابة. اختيرت هذه الفئات لأنها مهمة تربويًا ومليئة بالتحديات البصرية — لا سيما التمييز بين الكتابة والقراءة، الذي قد يختلف فقط بتغيرات طفيفة في وضع اليد والرأس.

توضيح الحواف ودمج المقاييس

اثنان من الابتكارات الرئيسية تساعدان SCB-YOLO على التعامل مع المشاهد الحقيقية الفوضوية. أولًا، وحدة نقل المعلومات الحديّة العالمية تركز على الخطوط والحوامل — مثل حدود الذراع المرفوعة في الهواء أو الحافة بين اليد والدفتر. من خلال تطبيق مرشحات الحواف التقليدية ليس مباشرة على الصورة الخام بل على الميزات المبكرة للشبكة، ثم تغذية هذه الحواف المنقّحة إلى طبقات أعمق، يصبح النظام أفضل في رسم مربعات دقيقة حول سلوكيات مثل رفع اليد والكتابة، حتى عندما يكون حجم الطلاب صغيرًا أو مخفيًا جزئيًا. ثانيًا، وحدة دمج جديدة MANet_Star تجمع المعلومات من مقاييس صورة مختلفة بشكل أكثر ذكاءً. ترسل الميزات عبر عدة فروع خفيفة تُحاكي آلية الانتباه، مما يعزز الأنماط الأكثر معلوماتية مع الحفاظ على صغر حجم النموذج كافٍ للاستخدام في الوقت الفعلي.

مدى فعالية النظام

على معيار SCB-Dataset3-S، يتفوّق SCB-YOLO على مجموعة واسعة من نماذج YOLO المدمجة الأخرى. يحسّن مقياس الدقة القياسي (mAP@0.5) بمقدار 2.6 نقطة مئوية مقارنةً بنقطة البداية YOLOv11n، ليصل إلى 71.8 في المئة مع الاستمرار في العمل بسرعات فيديو. كانت المكاسب كبيرة بشكل خاص لفئة الكتابة الأصعب — حيث ارتفعت الدقة أكثر من أي فئة أخرى وتقليل الالتباس مع القراءة بشكل ملحوظ. تُظهر التحليلات البصرية لخرائط الحرارة الداخلية للشبكة أنه، مقارنةً بالخط الأساسي، يركّز SCB-YOLO بدقة أكبر على الكتب واليدين والرؤوس، خاصة للطلاب الصغار أو البعيدين. وتُظهر الاختبارات على أجهزة تتراوح من بطاقة رسومات مكتبية قوية إلى وحدة Jetson مدمجة أنه يمكن للنظام التشغيل فوق معدلات الوقت الحقيقي بشكل مريح في نشرات واقعية.

ما يعنيه ذلك للفصول المستقبلية

بالنسبة لغير المتخصصين، الخلاصة الرئيسية هي أنه بات من الممكن الآن بناء كاميرات فصل تفعل أكثر من مجرد التسجيل — يمكنها أن تفهم، بطريقة أساسية، ما يفعله الطلاب ومدى تفاعلهم. يبيّن SCB-YOLO أنه مع وحدات مصممة بعناية لتوضيح الحواف ودمج المعلومات عبر المقاييس، يمكن لنموذج ذكاء اصطناعي صغير نسبيًا أن يكتشف بثقة سلوكيات التعلم الأساسية في ظروف مكتظة وغير مثالية. في المستقبل القريب، قد تُغذي مثل هذه الأنظمة تحليلات التعلم ومنصات التدريس، منبهة المعلمين عندما يتضاءل الانتباه، ومبيّنة الدروس التي يفقد فيها الطلاب الاهتمام، وداعمةً لتعليم أكثر تخصيصًا. إذا استخدمت بمسؤولية ومع ضمانات قوية للخصوصية، يمكن أن تصبح هذه التكنولوجيا حليفًا هادئًا لكنه قويًا في مساعدة كل طفل على الحصول على الاهتمام الذي يحتاجه.

الاستشهاد: Guo, C., Yuan, B., Xie, J. et al. SCB-YOLO: a lightweight adaptive attention-enhanced network for student behavior detection in complex classroom settings. Sci Rep 16, 13309 (2026). https://doi.org/10.1038/s41598-026-43753-9

الكلمات المفتاحية: الفصل الذكي, انخراط الطالب, رؤية الحاسوب, كشف السلوك, التعلّم العميق الخفيف الوزن