استخدام الذكاء الاصطناعي للتنبؤ بمخاطر تسرب الطلاب في التعليم التقني باستخدام نهج تحليلات التعلم

لماذا تهم الإنذارات المبكرة للطلاب المتعثرين

يتخلف العديد من طلاب الجامعات بهدوء عن ركب الدورات الإلكترونية قبل وقت طويل من ظهور الدرجات الضعيفة. في التخصصات التقنية، حيث تكون الدروس متطلبة وسريعة الإيقاع، يمكن أن يؤدي ذلك سريعًا إلى التسرب. تستكشف هذه الدراسة كيف يمكن تحويل بيانات النشاط اليومي في منصة تعليمية عبر الإنترنت إلى نظام إنذار مبكر. من خلال تحليل كيف يتنقل الطلاب عبر مواد المقرر، يحدّد نموذج قائم على الذكاء الاصطناعي أنماطًا تشير إلى وجود مشكلة مبكرًا بما يكفي ليتمكن المدرسون من التدخل بمساعدة مستهدفة.

متابعة البصمات الرقمية في الفصول الإلكترونية

تركز الأبحاث على مدرستين في التصميم بمساعدة الحاسوب (CAD) تُدرسان عبر منصة مودل التعليمية في جامعة للعلوم التطبيقية. كل نقرة — فتح ملف، محاولة اختبار، تسليم واجب — تخلق إدخال سجل مؤرخًا بالوقت. من بين 12,941 سجلًا مماثلًا لِـ 80 طالبًا، أنشأ الباحث مجموعة بيانات تصف 49 موردًا تعليميًا مختلفًا، من صفحات تمهيدية بسيطة إلى واجبات معقدة متعددة الخطوات. وبما أن هذه المواد أظهرت معدلات تسرب مرتفعة بشكل غير عادي، فقد وفرت بيئة اختبار مفيدة لاستكشاف كيفية ارتباط أنماط النشاط بنجاح أو فشل الطلاب.

تحويل النقرات إلى إشارات تعلم ذات معنى

بدلاً من إدخال عدد النقرات الخام في خوارزمية معتمة، تُقدّم الدراسة طريقة "السمات الموزونة" التي تعيد تشكيل البيانات إلى مؤشرات يمكن للمدرسين فهمها. يُمنح كل مورد درجة على ثلاثة جوانب رئيسية: مدى الإجهاد الذهني الذي يتطلبه، وعدد مرات تفاعل الطلاب معه، والوقت الذي تتوقعه الدورة لهم لقضائه عليه. تُدمج هذه الدرجات في مقياس فعالية واحد يعكس مدى تمكن الطلاب فعليًا من التعامل مع ذلك المورد. بهذه الطريقة، لا يكتفي النموذج بالإشارة إلى أن الطالب في خطر؛ بل يشير إلى مهام أو مواد محددة قد تكون سبب المشكلة.

ما اكتشفته نماذج الذكاء الاصطناعي

تدرّبت نوعان من نماذج التنبؤ — الانحدار اللوجستي والغابات العشوائية — على تمييز الأدوات التعليمية الأكثر فعالية والأقل فعالية استنادًا إلى هذه المؤشرات الموزونة. لتجنب الانخداع بحجم العينة الصغير نسبيًا، استخدم الباحث فحوصات متكررة تقلب أي البيانات تُستخدم للتدريب وأيها للاختبار. عبر هذه الفحوصات، أدت كلا النموذجين أداءً جيدًا، مع تفوق طفيف للغابة العشوائية لكن النموذج اللوجستي الأبسط قدّم نتائج أسهل في التفسير. في كل الحالات، كانت أهم الإشارات هي عدد مرات تفاعل الطلاب مع المورد، والمدة التي يقضونها عليه، ومدى صعوبة التصميم.

تصميم دورات أفضل، لا استبدال المدرسين

تُظهر النتائج أن المهام المعقدة والمستهلكة للوقت — مثل مشاريع النمذجة متعددة الخطوات والواجبات الكبيرة — ترتبط بقوة بنتائج تعلم أفضل، بينما تُسهم الإعلانات الأساسية أو النظرات العامة القصيرة بدرجة أقل. يشير ذلك إلى أن التحديات المصممة جيدًا، المدعومة بوقت كافٍ، هي محور نجاح الطلاب. وتعرض الدراسة أيضًا كيف يمكن أن يعمل نظام الإنذار المبكر عمليًا: ستبرز لوحة معلومات آلية الأنماط الخطرة للمدرّسين، الذين سيتخذون بعد ذلك قرارهم بشأن كيفية الرد — على سبيل المثال بإضافة أمثلة، تعديل عبء العمل، أو تقديم جلسات دعم إضافية. ومن المهم أن النظام مُصمَّم لإعلام المدرّسين، لا لأتمتة اتخاذ القرارات بشأن الطلاب.

ما يعنيه هذا للطلاب والمعلمين

للقارئ العام، الرسالة الأساسية هي أن الذكاء الاصطناعي يمكن أن يساعد الجامعات على ملاحظة نقاط الخلل قبل فشل الطلاب، لكن فقط إذا استُخدم بعناية. من خلال الجمع بين رؤى تصميم المقررات والتعامل الحذر مع البيانات، تحول طريقة السمات الموزونة سجلات النشاط الخام إلى إشارات واضحة حول أي أجزاء المقرر تساعد أو تعيق التعلم. لا تزال الدراسة تجربة أولية، مقتصرة على عدد صغير من المقررات التقنية في مؤسسة واحدة، لذا نتائجها أولية. ومع ذلك، فإنها تقدم مسارًا ملموسًا نحو استخدام أكثر شفافية وعدالة ودعمًا للذكاء الاصطناعي في التعليم — حيث تساعد الأدوات المستندة إلى البيانات المدرّسين على إعادة تصميم المقررات والوصول إلى الطلاب المتعثرين مبكرًا، مما يقلل احتمال انزلاقهم بعيدًا عن دراستهم بهدوء.

الاستشهاد: Ovtšarenko, O. Using AI to forecast student dropout risk in technical education using a learning analytics approach. Sci Rep 16, 14616 (2026). https://doi.org/10.1038/s41598-026-44919-1

الكلمات المفتاحية: مخاطر تسرب الطلاب, تحليلات التعلم, التعليم التقني عبر الإنترنت, النمذجة التنبؤية, أنظمة الإنذار المبكر