שימוש בבינה מלאכותית לחיזוי סיכון לנטישת סטודנטים בהשכלה טכנית בגישה של ניתוח למידה

מדוע אזהרות מוקדמות לסטודנטים מתקשים חשובות

רבים מהסטודנטים במכללה מאחור בעוצמה בקורסים המקוונים שלהם זמן רב לפני שהציונים הירודים נראים. במקצועות טכניים, שבהם השעורים תובעניים ובקצב מהיר, זה עלול להוביל במהירות לנטישה. מחקר זה בוחן כיצד ניתן להפוך נתוני פעילות יומיומית בפלטפורמת למידה מקוונת למערכת אזהרה מוקדמת. על ידי ניתוח האופן שבו הסטודנטים עוברים דרך חומרי הקורס, מודל בינה מלאכותית מסמן דפוסים המעידים על בעיה בזמן מספיק מוקדם כדי שהמרצים יוכלו להתערב עם עזרה ממוקדת.

מעקב אחר טביעות דיגיטליות בכיתות מקוונות

המחקר מתמקד בשני קורסים של עיצוב בעזרת מחשב (CAD) הנלמדים באמצעות פלטפורמת Moodle באוניברסיטה למדעים יישומיים. כל לחיצה—פתיחת קובץ, ניסיון מבחן, או שליחת מטלה—יוצרת רשומת יומן עם חותמת זמן. מתוך 12,941 רשומות כאלה עבור 80 סטודנטים, הבונה יצר מאגר נתונים המתאר 49 משאבי למידה שונים, מעמודי מבוא פשוטים ועד מטלות מורכבות מרובות שלבים. מאחר שקורסים אלה הראו שיעורי נטישה חריגים, הם סיפקו שדה ניסוי שימושי לחקור כיצד דפוסי פעילות מתקשרים להצלחות או כישלונות של סטודנטים.

הפיכת לחיצות לאותות למידה משמעותיים

במקום להאכיל ספירות לחיצות גולמיות לאלגוריתם שקוף, המחקר מציג שיטת "תכונה ממושקלת" המשנה את צורת הנתונים לאינדיקטורים שהמורים יכולים להבין. כל משאבים מדורגים בשלושה היבטים עיקריים: כמה הם תובעניים מבחינה מנטלית, כמה פעמים הסטודנטים נתקלים בהם, וכמה זמן הקורס מצפה שיבזבזו עליהם. דירוגים אלה משולבים למדד יעילות יחיד המשקף עד כמה הסטודנטים מתמודדים בפועל עם אותו משאב. כך, המודל לא רק מציין שסטודנט בסכנה; הוא מצביע על משימות או חומרים מסוימים שעשויים לגרום לבעיה.

מה גילו מודלי ה-AI

שני סוגי מודלים לחיזוי—רגרסיה לוגיסטית ויער אקראי—אומנו להבחין בין כלי למידה יעילים פחות ליותר בהתבסס על האינדיקטורים הממושקלים הללו. כדי להימנע מהטעיה בגלל גודל המדגם היחסי הקטן, החוקרת השתמשה בבדיקות צולבות חוזרות המחליפות אילו נתונים משמשים לאימון ואילו למבחן. לאורך הבדיקות הללו, שני המודלים הופיעו עם ביצועים טובים, כאשר יער אקראי הוביל במעט אך המודל הפשוט יותר של הרגרסיה הלוגיסטית הציע תוצאות שקל יותר לפרש. בכל מקרה, האותות החשובים ביותר היו תדירות האינטראקציה של הסטודנטים עם משאב, משך הזמן שבילו בו, ורמת הקושי שמיועדת לו.

לעצב קורסים טובים יותר, לא להחליף מורים

הממצאים מראים שמשימות מורכבות וגוזלות זמן—כגון פרויקטי מודלינג מרובי שלבים ועבודות בית משמעותיות—קשורות בחוזקה לתוצאות למידה טובות יותר, בעוד שהודעות בסיסיות או סיכומים קצרים תורמים פחות. זה מרמז שאתגרים מעוצבים היטב, הנתמכים בזמן מתאים, הם מרכזיים להצלחת הסטודנט. המחקר גם מתאר כיצד מערכת אזהרה מוקדמת יכולה לפעול בפועל: לוח מחוונים אוטומטי ידגיש דפוסים מסוכנים בפני המדריכים, והם יחליטו כיצד להגיב, למשל על ידי הוספת דוגמאות, התאמת עומס העבודה או הצעת מפגשי תמיכה נוספים. חשוב להדגיש שהמערכת נועדה ליידע את המורים, לא לאוטומט החלטות על סטודנטים.

מה משמעות הדבר לסטודנטים ומחנכים

לקורא הכללי, המסר המרכזי הוא שבינה מלאכותית יכולה לסייע לאוניברסיטאות לזהות נקודות בעיתיות לפני שסטודנטים נכשלים, אך רק אם משתמשים בה באופן מושכל. על ידי שילוב תובנות מעיצוב קורסים עם טיפול זהיר בנתונים, שיטת התכונה הממושקלת הופכת יומני פעילות גולמיים לאותות ברורים אילו חלקים בקורס מסייעים או מעכבים למידה. המחקר עדיין פיילוט, מוגבל למספר קטן של קורסים טכניים במוסד אחד, ולכן תוצאותיו הן ראשוניות. עם זאת הוא מציע מסלול ממשי לשימוש שקוף, הוגן ותומך יותר בבינה מלאכותית בחינוך—שבו כלים מבוססי נתונים מסייעים למורים לעצב מחדש קורסים ולהגיע לסטודנטים מתקשים מוקדם יותר, מה שמקטין את הסבירות שייזרקו שקט אל מחוץ ללימודים.

ציטוט: 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

מילות מפתח: סיכון לנטישת סטודנטים, ניתוח למידה, השכלה טכנית מקוונת, מודלים חיזויים, מערכות אזהרה מוקדמת