DOI: https://doi.org/10.1038/s41598-026-36263-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41545677
تاريخ النشر: 2026-01-16
المؤلف: Hang Chen وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تقدم ورقة البحث إطار تعلم هجين جديد، CNAE-LSTM، مصمم لتعزيز توقع أداء الطلاب الأكاديمي من خلال تحسين معلمات الذاكرة طويلة وقصيرة المدى (LSTM). يستخدم الإطار نهج تطور الفوضى النيشية ألفا (CNAE)، الذي يجمع بين التهيئة الفوضوية لزيادة تنوع السكان، واستراتيجية تطورية قائمة على النيش للحفاظ على تنوع الحلول، وآلية تطور ألفا لتحسين التوازن بين الاستكشاف والاستغلال. تشير النتائج التجريبية على مجموعة بيانات التعليم الثانوي في العالم الحقيقي إلى أن CNAE-LSTM يتفوق بشكل كبير على النماذج التقليدية، بما في ذلك LSTM وSVM وCNN وTransformer، بالإضافة إلى استراتيجيات تحسين متنوعة مثل QGA والبحث الشبكي، مما يظهر دقة تنبؤية متفوقة، واستقرار، وقدرة على التعميم.
على الرغم من النتائج الواعدة، تعترف الدراسة بعدة قيود. لقد تم التحقق من إطار CNAE-LSTM فقط على مجموعة بيانات التعليم الثانوي، مما قد يحد من قابليته للتطبيق في سياقات تعليمية أخرى أو مقاييس أداء. بالإضافة إلى ذلك، فإن آلية التحسين الهجينة تضيف عبئًا حسابيًا، مما قد يحد من استخدامها في البيئات ذات الموارد المحدودة. كما أن الإطار لا يتضمن هندسة ميزات مصممة خصيصًا للبيانات التعليمية، مما قد يعزز من قوته التنبؤية. أخيرًا، بينما يحسن النموذج أداء التنبؤ، فإنه يفتقر إلى القابلية للتفسير فيما يتعلق بالعلاقات بين ميزات الإدخال والنتائج الأكاديمية. تشمل اتجاهات البحث المستقبلية التحقق من الإطار عبر مجموعات بيانات تعليمية متنوعة، وتطوير متغيرات تحسين أكثر كفاءة، ودمج هندسة الميزات، وتعزيز قابلية تفسير النموذج لتسهيل التطبيقات العملية في اتخاذ القرارات التعليمية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية توقع أداء الطلاب الأكاديمي في التعليم الثانوي، مع التأكيد على دوره ضمن تعدين البيانات التعليمية (EDM) وتحليلات التعلم (LA). تعتبر هذه القدرة التنبؤية ضرورية بشكل متزايد مع انتقال الأنظمة التعليمية إلى نماذج أكثر تركيزًا على الطلاب، مما يسمح بالمراقبة الأكاديمية في الوقت المناسب والدعم الشخصي. من خلال توقع نتائج التعلم، يمكن للمعلمين تنفيذ استراتيجيات استباقية تعالج احتياجات المتعلمين الفردية، مما يعزز الوصول العادل إلى النجاح التعليمي.
تناقش الورقة أيضًا تطبيق شبكات الذاكرة طويلة وقصيرة المدى (LSTM)، التي تعزز الشبكات العصبية التكرارية القياسية من خلال دمج آليات التحكم في الذاكرة لمعالجة مشكلات مثل تلاشي وتفجر التدرجات. يحتفظ كل خلية LSTM بحالتين داخليتين: حالة ذاكرة طويلة الأمد \( c_t \) وتنشيط قصير الأمد \( h_t \). يتم تنظيم تدفق المعلومات في الخلية بواسطة ثلاثة أبواب—مدخل، نسيان، وإخراج—مما يسمح لها بإدارة ديناميكية لدمج المعلومات الجديدة والاحتفاظ بالبيانات السابقة. يمكّن هذا التصميم LSTM من التقاط الهياكل الزمنية المعقدة المرتبطة بالتقدم التعليمي بشكل فعال.
بالإضافة إلى ذلك، يتم تقديم استراتيجية الحفاظ على التنوع، التي تضمن أن عدد مجموعات الحلول الفريدة يبقى فوق عتبة محددة. توازن هذه الاستراتيجية بين التحسين المحلي داخل النيشات الحالية واستكشاف نيشات جديدة، مما يسهل التنقل الفعال عبر مساحات البحث عن المعلمات الفائقة المعقدة في خوارزمية النيش المستنسخ.
طرق
في قسم الطرق، يوضح المؤلفون إعداد التجارب المصمم لضمان إمكانية التكرار ومقارنات الأداء العادلة بين نماذج الأساس المختلفة (SVM وCNN وTransformer وLSTM العادي) ومتغيرات LSTM المحسنة (LSTM+QGA وLSTM+QPSO وLSTM+CWOA وLSTM+QGWO وLSTM+Grid وLSTM+Random وCNAE-LSTM). تم إجراء جميع التجارب في بيئة محكومة مع تكوينات الأجهزة والبرامج القياسية.
تضمنت الأجهزة المستخدمة معالج Intel Core i9-12900K مع 16 نواة، وبطاقة رسومات NVIDIA RTX 3080 Ti مع 12 جيجابايت من ذاكرة الفيديو، و64 جيجابايت من ذاكرة الوصول العشوائي DDR5-4800، مما يسهل تدريب نماذج التعلم العميق ومعالجة البيانات بكفاءة. من الناحية البرمجية، تم تنفيذ التجارب على Ubuntu 22.04 LTS، باستخدام Python 3.9.13 جنبًا إلى جنب مع TensorFlow 2.11.0 وKeras 2.11.0 لمهام التعلم العميق. تم استخدام مكتبات إضافية مثل NumPy 1.24.0 وScikit-learn 1.2.0 للحسابات العددية ومعالجة البيانات، مما يضمن إطارًا قويًا لتقييم النموذج والتحليل الإحصائي.
مناقشة
في هذا القسم، تناقش الورقة الدور الحاسم للتحليلات التنبؤية في التعليم الثانوي، وخاصة في تحديد الطلاب المعرضين للخطر وتخصيص التدخلات لتحسين نتائج التعلم. يؤكد المؤلفون على ضرورة وجود نماذج توقع متقدمة يمكن أن تتكيف مع التعقيدات التي تطرحها بيئات التعلم الهجينة والبعيدة، خاصة في ضوء الفجوة المتزايدة في الإنجازات التي تفاقمت بسبب جائحة COVID-19. يبرزون إمكانية نماذج التعلم العميق، وخاصة شبكات الذاكرة طويلة وقصيرة المدى (LSTM)، لالتقاط الديناميات الزمنية لسلوكيات تعلم الطلاب من خلال تحليل تدفقات بيانات متنوعة، بما في ذلك مقاييس المشاركة والمتغيرات الديموغرافية.
تقدم الورقة إطار تطور الفوضى النيشية ألفا (CNAE)، الذي يدمج خوارزمية تحسين جديدة مع شبكات LSTM لتحسين ضبط المعلمات. تستخدم خوارزمية CNAE التهيئة الفوضوية، والتجميع القائم على النيش، وديناميات تطور ألفا لتعزيز دقة النموذج التنبؤية واستقراره. تظهر النتائج التجريبية أن إطار CNAE-LSTM يتفوق على النماذج التقليدية والنهج الميتا-heuristic الحالية، مما يؤكد فعاليته في معالجة التحديات الفريدة التي تطرحها مجموعات البيانات التعليمية. يستنتج المؤلفون أن نهجهم لا يعزز فقط مجال التنبؤ التعليمي ولكنه يوفر أيضًا أداة قوية للمعلمين لدعم مجموعات الطلاب المتنوعة بشكل فعال.
DOI: https://doi.org/10.1038/s41598-026-36263-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41545677
Publication Date: 2026-01-16
Author(s): Hang Chen et al.
Primary Topic: Online Learning and Analytics
Overview
The research paper introduces a novel hybrid learning framework, CNAE-LSTM, designed to enhance the prediction of student academic performance by optimizing Long Short-Term Memory (LSTM) hyper-parameters. The framework employs a Chaotic Niche Alpha Evolution (CNAE) approach, which combines chaotic initialization to boost population diversity, a niche-based evolutionary strategy to maintain solution variety, and an Alpha Evolution mechanism to improve the balance between exploration and exploitation. Experimental results on a real-world secondary education dataset indicate that CNAE-LSTM significantly outperforms traditional models, including LSTM, SVM, CNN, and Transformer, as well as various optimization strategies like QGA and grid search, demonstrating superior predictive accuracy, stability, and generalization capability.
Despite its promising outcomes, the study acknowledges several limitations. The CNAE-LSTM framework has only been validated on a secondary education dataset, which may restrict its applicability to other educational contexts or performance metrics. Additionally, the hybrid optimization mechanism introduces computational overhead, potentially limiting its use in resource-constrained environments. The framework also does not incorporate feature engineering tailored to educational data, which could enhance its predictive power. Lastly, while the model improves prediction performance, it lacks interpretability regarding the relationships between input features and academic outcomes. Future research directions include validating the framework across diverse educational datasets, developing more efficient optimization variants, integrating feature engineering, and enhancing model interpretability to facilitate practical applications in educational decision-making.
Introduction
The introduction of the research paper highlights the significance of predicting students’ academic performance in secondary education, emphasizing its role within Educational Data Mining (EDM) and Learning Analytics (LA). This predictive capability is increasingly vital as educational systems transition to more student-centric models, allowing for timely academic monitoring and personalized support. By anticipating learning outcomes, educators can implement proactive strategies that address individual learner needs, thereby promoting equitable access to educational success.
The paper also discusses the application of Long Short-Term Memory (LSTM) networks, which enhance standard Recurrent Neural Networks by incorporating memory-control mechanisms to address issues like vanishing and exploding gradients. Each LSTM cell maintains two internal states: a long-term memory state \( c_t \) and a short-term activation \( h_t \). The cell’s information flow is regulated by three gates—input, forget, and output—allowing it to dynamically manage the incorporation of new information and the retention of past data. This design enables the LSTM to effectively capture the complex temporal structures associated with educational progression.
Additionally, a Diversity Maintenance Strategy is introduced, which ensures that the number of unique solution clusters remains above a specified threshold. This strategy balances local refinement within existing niches and the exploration of new niches, facilitating efficient navigation through complex hyperparameter search spaces in the clonal niche algorithm.
Methods
In the Methods section, the authors detail the experimental setup designed to ensure reproducibility and fair performance comparisons among various baseline models (SVM, CNN, Transformer, vanilla LSTM) and optimized LSTM variants (LSTM+QGA, LSTM+QPSO, LSTM+CWOA, LSTM+QGWO, LSTM+Grid, LSTM+Random, CNAE-LSTM). All experiments were conducted in a controlled environment with standardized hardware and software configurations.
The hardware utilized included an Intel Core i9-12900K processor with 16 cores, an NVIDIA RTX 3080 Ti graphics card with 12GB of video memory, and 64GB of DDR5-4800 RAM, facilitating efficient deep learning model training and data processing. On the software side, the experiments were executed on Ubuntu 22.04 LTS, employing Python 3.9.13 along with TensorFlow 2.11.0 and Keras 2.11.0 for deep learning tasks. Additional libraries such as NumPy 1.24.0 and Scikit-learn 1.2.0 were used for numerical computations and data preprocessing, respectively, ensuring a robust framework for model evaluation and statistical analysis.
Discussion
In this section, the paper discusses the critical role of predictive analytics in secondary education, particularly in identifying at-risk students and tailoring interventions to enhance learning outcomes. The authors emphasize the necessity for advanced forecasting models that can adapt to the complexities introduced by hybrid and remote learning environments, especially in light of the widening achievement gap exacerbated by the COVID-19 pandemic. They highlight the potential of deep learning models, specifically Long Short-Term Memory (LSTM) networks, to capture the temporal dynamics of student learning behaviors through the analysis of diverse data streams, including engagement metrics and demographic variables.
The paper introduces the Chaotic Niche Alpha Evolution (CNAE) framework, which integrates a novel optimization algorithm with LSTM networks to improve hyperparameter tuning. The CNAE algorithm employs chaotic initialization, niche-based grouping, and Alpha Evolution dynamics to enhance the model’s predictive accuracy and stability. Experimental results demonstrate that the CNAE-LSTM framework outperforms traditional models and existing meta-heuristic approaches, confirming its effectiveness in addressing the unique challenges posed by educational datasets. The authors conclude that their approach not only advances the field of educational prediction but also provides a robust tool for educators to support diverse student populations effectively.