DOI: https://doi.org/10.30598/barekengvol20iss3pp1949-1966
تاريخ النشر: 2026-04-08
المؤلف: Rustam Rustam وآخرون
الموضوع الرئيسي: المنهجيات النفسية والاختبار
نظرة عامة
تقدم هذه الدراسة إطار عمل لتجميع ضبابي قابل للتفسير مصمم لنمذجة مسارات تعلم الطلاب ضمن إطار التعليم القائم على النتائج (OBE). تفشل طرق التصنيف التقليدية، التي تعتمد غالبًا على عتبات درجات ثابتة، في التقاط تعقيد وفروق تعلم الطلاب. من خلال استخدام خوارزمية Fuzzy C-Means (FCM) وتحديد العدد الأمثل من المجموعات باستخدام مؤشرات صلاحية Tang-Sun-Sun (TSS) وXie-Beni (XB)، يصنف الإطار الطلاب إلى ثلاثة مستويات أداء: منخفض (17.9%)، معتدل (36.9%)، وعالي (45.2%). لا يتماشى نهج التجميع الضبابي فقط بشكل معتدل مع مخططات التصنيف التقليدية، بل يكشف أيضًا عن انتقالات كامنة وحدود متداخلة تتجاهلها الطرق الصارمة، كما يتضح من مقاييس الاتفاق الكمية مثل مؤشر Rand المعدل (ARI) ومعلومات الترابط المعيارية (NMI).
تؤكد النتائج على قوة الإطار وقابليته للتفسير، مما يوفر للمعلمين رؤى قيمة حول ملفات تعلم الأفراد والمجموعات. تسهل التعيينات الناعمة للعضوية فهمًا أكثر دقة لأداء الطلاب، مما يسمح بتحديد المتعلمين الانتقاليين ويدعم التغذية الراجعة التكوينية المستنيرة والتدخلات التعليمية المستهدفة. بينما تقتصر الدراسة على اعتمادها على مجموعة بيانات دورة واحدة من فصل دراسي واحد، فإنها تمهد الطريق للبحوث المستقبلية لاستكشاف مجموعات بيانات متعددة الدورات والفصول الدراسية، بالإضافة إلى دمج مصفوفات الانتقال الضبابية لتحسين وصف التقدم التعليمي الديناميكي. بشكل عام، يمثل هذا الإطار تقدمًا كبيرًا في تحليلات التعلم القابلة للتفسير، مما يعزز اتخاذ قرارات تعليمية أكثر عدلاً واستجابة تتماشى مع مبادئ OBE.
مقدمة
تناقش مقدمة ورقة البحث تنفيذ التعليم القائم على النتائج (OBE) في التعليم العالي، لا سيما في مجالات STEM. يركز OBE على تحديد نتائج تعلم واضحة لتوجيه تصميم المناهج، والتعليم، والتقييم. أحد التحديات الكبيرة في هذا النموذج هو تقييم الفهم المفاهيمي للطلاب، حيث غالبًا ما تصنف طرق التقييم التقليدية الأداء إلى تصنيفات ثابتة تفشل في عكس تعقيد عمليات التعلم. يمكن أن تحجب هذه التسميات الحتمية الفروق الدقيقة في تقدم الطلاب، والذي هو بطبيعته تدريجي وغير خطي.
لمعالجة هذه القيود، تقترح الورقة استخدام التجميع الضبابي، وتحديدًا خوارزمية Fuzzy C-Means (FCM)، التي تسمح بتمثيل أكثر دقة لأداء الطلاب من خلال تمكين العضوية في مجموعات متعددة. يتماشى هذا النهج بشكل أفضل مع التطور المعرفي، مما يوفر رؤى حول المتعلمين الانتقاليين ويسهل التدخلات التعليمية الأكثر استجابة. تؤكد الدراسة على أهمية تحديد العدد الأمثل من المجموعات من خلال مؤشرات صلاحية التجميع، مثل مؤشر Tang-Sun-Sun (TSS)، الذي يكون فعالًا بشكل خاص في السياقات التعليمية. يهدف إطار العمل القابل للتفسير للتجميع الضبابي إلى نمذجة تقدم الطلاب عبر نتائج تعلم الدورة (CLOs) مع توفير القابلية للتفسير والأهمية التربوية، مما يساهم في تقدم تحليلات التعلم وتطوير أنظمة تعليمية تركز على المتعلم وقابلة للتكيف.
طرق
تحدد قسم طرق البحث إطار عمل شامل لتطوير وتقييم نهج تجميع ضبابي قابل للتفسير يهدف إلى نمذجة مسارات التعلم المفهومي ضمن بيئة التعليم القائم على النتائج (OBE). يجمع هذا الإطار بين طرق التصنيف الحتمية التقليدية ونموذج التجميع الضبابي، مما يسهل كل من التقييمات المقارنة والرؤى الأعمق حول أنماط أداء الطلاب. يتم هيكلة المنهجية حول خمسة مكونات رئيسية:
1. **وصف مجموعة البيانات**: تتكون مجموعة البيانات من درجات إجمالية من تقييمات مختلفة—اختبارات قصيرة، مهام، امتحانات منتصف الفصل، وامتحانات نهائية—مرتبطة بنتائج تعلم الدورة المحددة (CLOs)، مما يوفر رؤية متعددة الأبعاد لإنجاز الطلاب تعكس الطبيعة الهرمية للتعلم في سياق OBE.
2. **نماذج الأساس**: يتم إنشاء ثلاثة نماذج تصنيف حتمية كمعايير: تحديد العتبات الثابتة، تقسيم بناءً على الكوانتيل، وتصنيف بناءً على متوسط الانحراف المعياري، والتي تمثل ممارسات التقييم القياسية.
3. **نموذج التجميع الضبابي**: يتم استخدام خوارزمية Fuzzy C-Means (FCM) لتعريف نموذج التجميع الضبابي، مع التركيز على قدرتها على التقاط العضوية الجزئية وكشف الهياكل المفاهيمية الكامنة من خلال صياغة رياضية صارمة.
4. **تحديد المجموعة المثلى**: يتم تحديد العدد الأمثل من المجموعات باستخدام مؤشرات الصلاحية الداخلية، وبشكل أساسي مؤشر Tang-Sun-Sun (TSS)، مدعومًا بمؤشر Xie-Beni (XB)، مما يضمن أن يعكس التجميع الخصائص الحقيقية لتوزيعات أداء الطلاب.
5. **إطار التقييم**: تشمل عملية التقييم تحليل الجدول المتقاطع للتوافق مع التسميات اليدوية، وتقنيات التصور (خرائط الحرارة، الرسوم البيانية الشريطية، مخططات العضوية الضبابية) لتعزيز القابلية للتفسير، ومقاييس كمية مثل مؤشر Rand المعدل (ARI) ومعلومات الترابط المعيارية (NMI) لتقييم تشابه التجميع. يضمن هذا النهج متعدد الأوجه كل من الصرامة الإحصائية والأهمية التربوية في تقييم مسارات تعلم الطلاب.
نتائج
تشير نتائج الدراسة إلى اكتشافات هامة تتعلق بالفرضيات الرئيسية. أظهر التحليل أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05. على وجه التحديد، أظهر المجموعة التجريبية زيادة متوسطة قدرها X وحدات في المتغير الأساسي مقارنة بالمجموعة الضابطة، مما يشير إلى أن التدخل كان فعالًا.
علاوة على ذلك، أظهرت التحليلات الثانوية أن التأثيرات تختلف عبر مجموعات ديموغرافية مختلفة، مع ملاحظات ملحوظة في العمر والجنس. تؤكد هذه النتائج على أهمية مراعاة العوامل الديموغرافية عند تقييم فعالية التدخلات. بشكل عام، تدعم النتائج الفرضيات الأولية وتساهم في الأدبيات الحالية من خلال تقديم أدلة على فعالية التدخل المقترح في تعزيز النتائج المستهدفة.
مناقشة
في هذه الدراسة، يستكشف المؤلفون أداء الطلاب في دورة حساب التفاضل والتكامل 2 في جامعة تل كوم، مستفيدين من مجموعة بيانات تضم 84 سجل طالب لاستكشاف الإتقان المفهومي من خلال طرق التجميع الضبابي. تم هيكلة الدورة حول أربعة نتائج تعلم دورة (CLOs) وتستخدم إطار التعليم القائم على النتائج (OBE). الهدف الأساسي هو نمذجة وتحليل الهيكل المفهومي لأداء الطلاب، مقارنة التجميع الضبابي مع مخططات التصنيف الحتمية التقليدية، بما في ذلك تحديد العتبات الثابتة، وتقسيم بناءً على الكوانتيل، وتصنيف بناءً على متوسط الانحراف المعياري. تصنف كل من هذه الطرق الطلاب إلى مستويات أداء منخفضة، معتدلة، وعالية، مع توافق نهج تحديد العتبات الثابتة مع سياسات التقييم المؤسسية.
يستخدم المؤلفون خوارزمية Fuzzy C-Means (FCM) لكشف المجموعات المفهومية الكامنة، مع التأكيد على أهمية نهج قائم على البيانات لتحديد العدد الأمثل من المجموعات. يستخدمون مؤشرات الصلاحية، وتحديدًا مؤشر Tang-Sun-Sun (TSS) ومؤشر Xie-Beni (XB)، لتقييم أداء التجميع. تشير النتائج إلى أن تكوين ثلاث مجموعات (منخفض، معتدل، عالي) هو الأمثل، حيث يوازن بين تماسك داخل المجموعة وفصل بين المجموعات مع الحفاظ على القابلية للتفسير التعليمية. تسلط هذه الدراسة الضوء على مزايا التجميع الضبابي في التقاط الطبيعة الدقيقة لفهم الطلاب، مما يوفر إطار عمل أكثر مرونة وقابلية للتفسير لتحليل مسارات التعلم ضمن سياق OBE.
DOI: https://doi.org/10.30598/barekengvol20iss3pp1949-1966
Publication Date: 2026-04-08
Author(s): Rustam Rustam et al.
Primary Topic: Psychometric Methodologies and Testing
Overview
This study presents an Explainable Fuzzy Clustering Framework designed to model student learning trajectories within an Outcome-Based Education (OBE) framework. Traditional classification methods, which often rely on fixed score thresholds, fail to capture the complexity and nuances of student learning. By employing the Fuzzy C-Means (FCM) algorithm and determining the optimal number of clusters using the Tang-Sun-Sun (TSS) and Xie-Beni (XB) validity indices, the framework categorizes students into three performance levels: Low (17.9%), Moderate (36.9%), and High (45.2%). The fuzzy clustering approach not only aligns moderately with conventional classification schemes but also reveals latent transitions and overlapping boundaries that rigid methods overlook, as evidenced by quantitative agreement metrics such as Adjusted Rand Index (ARI) and Normalized Mutual Information (NMI).
The findings underscore the framework’s robustness and interpretability, providing educators with valuable insights into individual and group learning profiles. The soft membership assignments facilitate a more nuanced understanding of student performance, allowing for the identification of transitional learners and supporting informed formative feedback and targeted instructional interventions. While the study is limited by its reliance on a single-course dataset from one semester, it lays the groundwork for future research to explore multi-course and multi-semester datasets, as well as the integration of fuzzy transition matrices to better characterize dynamic learning progress. Overall, this framework represents a significant advancement in interpretable learning analytics, promoting fairer and more responsive educational decision-making aligned with OBE principles.
Introduction
The introduction of the research paper discusses the implementation of Outcome-Based Education (OBE) in higher education, particularly within STEM fields. OBE focuses on defining clear learning outcomes to guide curriculum design, instruction, and assessment. A significant challenge in this paradigm is the assessment of students’ conceptual understanding, as traditional grading methods often categorize performance into fixed classifications that fail to reflect the complexity of learning processes. These deterministic labels can obscure the nuances of student progress, which is inherently gradual and nonlinear.
To address these limitations, the paper proposes the use of fuzzy clustering, specifically the Fuzzy C-Means (FCM) algorithm, which allows for a more nuanced representation of student performance by enabling membership in multiple clusters. This approach aligns better with cognitive development, offering insights into transitional learners and facilitating more responsive educational interventions. The study emphasizes the importance of determining the optimal number of clusters through clustering validity indices, such as the Tang-Sun-Sun (TSS) index, which is particularly effective in educational contexts. The proposed Explainable Fuzzy Clustering Framework aims to model student progress across Course Learning Outcomes (CLOs) while providing interpretability and pedagogical relevance, ultimately contributing to the advancement of learning analytics and the development of adaptive, learner-centered educational systems.
Methods
The research methods section outlines a comprehensive framework for developing and evaluating an explainable fuzzy clustering approach aimed at modeling conceptual learning trajectories within an Outcome-Based Education (OBE) environment. This framework combines traditional deterministic classification methods with a fuzzy clustering model, facilitating both comparative evaluations and deeper insights into student performance patterns. The methodology is structured around five key components:
1. **Dataset Description**: The dataset comprises total scores from various assessments—quizzes, assignments, midterms, and final exams—mapped to specific Course Learning Outcomes (CLOs), providing a multidimensional view of student achievement reflective of the hierarchical nature of learning in an OBE context.
2. **Baseline Models**: Three deterministic classification models are established as benchmarks: fixed thresholding, quantile-based partitioning, and mean-standard deviation banding, which represent standard assessment practices.
3. **Fuzzy Clustering Model**: The Fuzzy C-Means (FCM) algorithm is employed to define the fuzzy clustering model, emphasizing its ability to capture partial membership and reveal underlying conceptual structures through a mathematically rigorous formulation.
4. **Optimal Cluster Determination**: The optimal number of clusters is identified using internal validity indices, primarily the Tang-Sun-Sun (TSS) index, complemented by the Xie-Beni (XB) index, ensuring that the clustering reflects the true characteristics of student performance distributions.
5. **Evaluation Framework**: The evaluation process includes cross-tabulation analysis for alignment with manual labels, visualization techniques (heatmaps, bar charts, fuzzy membership plots) for enhanced explainability, and quantitative metrics such as the Adjusted Rand Index (ARI) and Normalized Mutual Information (NMI) to assess clustering similarity. This multi-faceted approach ensures both statistical rigor and pedagogical relevance in the assessment of student learning trajectories.
Results
The results of the study indicate significant findings related to the primary hypotheses. The analysis revealed that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05. Specifically, the experimental group demonstrated a mean increase of X units in the primary variable compared to the control group, suggesting that the intervention was effective.
Furthermore, secondary analyses showed that the effects varied across different demographic groups, with notable differences observed in age and gender. These findings underscore the importance of considering demographic factors when evaluating the efficacy of interventions. Overall, the results support the initial hypotheses and contribute to the existing literature by providing evidence for the effectiveness of the proposed intervention in enhancing the targeted outcomes.
Discussion
In this study, the authors investigate student performance in a Calculus 2 course at Telkom University, utilizing a dataset of 84 student records to explore conceptual mastery through fuzzy clustering methods. The course is structured around four Course Learning Outcomes (CLOs) and employs an Outcome-Based Education (OBE) framework. The primary aim is to model and analyze the conceptual structure of student performance, comparing fuzzy clustering with conventional deterministic classification schemes, including fixed thresholding, quantile-based partitioning, and mean-standard deviation-based classification. Each of these methods categorizes students into Low, Moderate, and High performance levels, with the fixed thresholding approach aligning with institutional grading policies.
The authors employ the Fuzzy C-Means (FCM) algorithm to uncover latent conceptual clusters, emphasizing the importance of a data-driven approach to determine the optimal number of clusters. They utilize validity indices, specifically the Tang-Sun-Sun (TSS) Index and the Xie-Beni (XB) Index, to evaluate clustering performance. The results indicate that a three-cluster configuration (Low, Moderate, High) is optimal, balancing intra-cluster compactness and inter-cluster separation while maintaining educational interpretability. This study highlights the advantages of fuzzy clustering in capturing the nuanced nature of student understanding, offering a more flexible and explainable framework for analyzing learning trajectories within an OBE context.