DOI: https://doi.org/10.1038/s41598-026-44919-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41872280
تاريخ النشر: 2026-03-23
المؤلف: Olga Ovtšarenko
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تستكشف هذه الدراسة دمج الذكاء الاصطناعي (AI) وتحليلات التعلم في التعليم العالي، مع التركيز على التحليلات التنبؤية لتعزيز تطوير الدورات الإلكترونية وتحديد الطلاب المعرضين لخطر الفشل الأكاديمي. باستخدام بيانات من ست دورات تصميم بمساعدة الكمبيوتر (CAD) في جامعة TTK للعلوم التطبيقية، طورت الأبحاث نموذج تعلم آلي استنادًا إلى 99,104 سجل نشاط من 154 طالبًا. تم استخدام طريقة الوزن الموزون (WAM) لتوحيد المقاييس الرئيسية—المشاركة، صعوبة التعلم، وتخصيص الوقت—مما يسمح بتنبؤ فعال بالنتائج. تشير النتائج إلى أن النماذج التنبؤية يمكن أن تحدد بنجاح الطلاب المعرضين للخطر، مما يمكّن التدخلات التربوية في الوقت المناسب ويعزز بيئات التعلم العادلة.
في الخاتمة، تؤكد الدراسة على فعالية WAM في تحليل خصائص الموارد وتحديد العوامل التي تساهم في نجاح المتعلمين. من خلال دمج التعقيد، مستويات الإدراك، مقاييس المشاركة، والسمات الزمنية، توضح الأبحاث أن الأنشطة التحديّة والتي تتطلب وقتًا كبيرًا تعزز بشكل كبير نتائج التعلم. على الرغم من أن نتائج التحقق الأولية أشارت إلى احتمال الإفراط في التكيف بسبب حجم مجموعة البيانات الصغيرة، فإن التحقق المتقاطع قدم تقييمًا أكثر موثوقية لأداء النموذج. تسهم الدراسة في مجال تحليلات التعلم من خلال توضيح كيفية استخدام طرق الوزن الهيكلية والتعلم الآلي لتحسين تصميم التعلم الرقمي. ومع ذلك، تعترف بوجود قيود تتعلق بحجم مجموعة البيانات والحاجة إلى مزيد من البحث عبر سياقات تعليمية متنوعة للتحقق من هذه النتائج وتوسيع نطاقها.
مقدمة
تسلط المقدمة الضوء على التقدم الكبير في تحليلات التعلم (LA) والذكاء الاصطناعي (AI) داخل القطاع التعليمي، مع التأكيد على تطوير أدوات وإطارات وبيانات تجريبية متنوعة. تركز المراجعة على المجالات الحيوية في أبحاث الذكاء الاصطناعي المعاصرة، بما في ذلك تنفيذ أنظمة التحذير المبكر والتنبؤية، وإنشاء نماذج تعلم تكيفية وتشخيصية، وتسهيل التعاون بين الإنسان والذكاء الاصطناعي في تصميم التعلم، وتعزيز نشر الذكاء الاصطناعي بشكل مسؤول وعادل. تؤكد هذه النقاط المحورية على الإمكانيات التحويلية للذكاء الاصطناعي في تحسين الممارسات التعليمية والنتائج.
طرق
في هذه الدراسة، تم استخدام منهجية كمية لتحليل تفاعلات الطلاب ضمن دورات تصميم بمساعدة الكمبيوتر (CAD) المعتمدة على Moodle، بهدف إنشاء نموذج تنبؤي لتحديد الطلاب المعرضين لخطر الفشل الأكاديمي. شمل الإطار المنهجي عدة مراحل رئيسية: استخراج البيانات، حيث تم جمع بيانات التفاعل ذات الصلة؛ المعالجة المسبقة، التي تضمنت تنظيف وتنظيم البيانات؛ هندسة الميزات لتحديد وبناء المتغيرات ذات الصلة؛ تدريب النموذج لتطوير الخوارزمية التنبؤية؛ وتقييم الأداء لتقييم فعالية النموذج في التنبؤ بالنتائج الأكاديمية. يضمن هذا النهج المنهجي تحليلًا قويًا ويعزز موثوقية النموذج التنبؤي.
نتائج
كشفت تحليل 49 موردًا تعليميًا عن تفاوتات ملحوظة في مستويات الصعوبة، وتخصيص الوقت المخطط، وأنماط تفاعل المتعلمين. أظهرت المهام المعقدة، مثل الواجبات المنزلية وتمارين النمذجة، أعلى قيم نجاح متوسطة موزونة ($success\_norm$)، والتي تتميز بأوزان صعوبة أكبر وأوقات مشاركة أطول. بالمقابل، أظهرت المواد الأبسط، بما في ذلك المحتوى التمهيدي وعناصر التسجيل، درجات فعالية أقل، مما يتماشى مع متطلباتها الإدراكية المنخفضة. وُجدت ارتباطات قوية بين معلمات WAM الموزونة و$success\_norm$، مما يبرز بشكل خاص أهمية السمات الزمنية والمرتبطة بالصعوبة في تحديد الفعالية.
تم استخدام نموذجين من التعلم المراقب، الانحدار اللوجستي وغابة عشوائية، للتنبؤ بمقياس نجاح ثنائي ($success\_binary$)، تم تقييمه من خلال التحقق المتقاطع ذو الخمس طيات. تفوقت غابة عشوائية على الانحدار اللوجستي، محققة دقة قدرها 0.8756 ودرجة F1 قدرها 0.8267، على الرغم من أن أيًا من النموذجين لم يصل إلى أداء مثالي، مما يشير إلى تعميم معقول نظرًا لحجم مجموعة البيانات الصغيرة. من الجدير بالذكر أن كلا النموذجين أظهرا استقرارًا عبر الطيات، حيث أظهر الانحدار اللوجستي أداءً ثابتًا، بينما أظهرت غابة عشوائية بعض التباين الطفيف. ومع ذلك، أدى الاختبار على مجموعة احتياطية إلى درجات مثالية، مما يشير إلى احتمال الإفراط في التكيف أو تسرب البيانات. أسفرت الاختبارات اللاحقة على مجموعة اختبار معدلة عن نتائج أكثر واقعية: حقق الانحدار اللوجستي دقة 0.800 و0.750 F1، بينما سجلت غابة عشوائية دقة 0.700 و0.571 F1، مما يتماشى بشكل أقرب مع النتائج التي تم التحقق منها عبر التقاطع.
مناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم للذكاء الاصطناعي (AI) في تعزيز أنظمة التحذير المبكر وتحليلات التعلم التنبؤية ضمن السياقات التعليمية. تشير النتائج إلى أن التعلم الآلي المراقب يُستخدم بشكل أساسي لتحديد الطلاب المعرضين للخطر وتوقع النتائج الأكاديمية، مع تركيز كبير على القابلية للتفسير لتسهيل الرؤى القابلة للتنفيذ للمعلمين. يتم تسليط الضوء على إدخال طريقة الوزن الموزون (WAM) كتحسين منهجي يعزز الشفافية من خلال توضيح أهمية الأنشطة الدراسية المختلفة، مما يمكّن المعلمين من اتخاذ قرارات مستنيرة على مستوى المتعلم والمناهج الدراسية.
تستكشف الدراسة أيضًا دمج النمذجة التكيفية والتشخيصية للتعلم الشخصي، مما يبرز ضرورة نهج تعاوني حيث يكمل الذكاء الاصطناعي الجهود التربوية البشرية بدلاً من استبدالها. كما يتم تناول الاعتبارات الأخلاقية المتعلقة بتنفيذ الذكاء الاصطناعي، مع التأكيد على الحاجة إلى العدالة، والاستجابة الثقافية، وتقليل الفجوات التعليمية. تظهر النتائج التجريبية أن الانخراط الإدراكي العميق والمشاركة المستمرة في المهام المعقدة ترتبط بفعالية تعلم أعلى، كما تم تحديده من خلال نماذج التعلم الآلي مثل الانحدار اللوجستي وغابة عشوائية. ومع ذلك، يحذر المؤلفون من الإفراط في التكيف وقيود مجموعات البيانات الصغيرة والمتجانسة، داعين إلى استراتيجيات جمع بيانات أوسع وتحسينات منهجية لتعزيز قابلية التعميم وموثوقية النماذج المستقبلية. بشكل عام، تفترض الدراسة أن الطرق المدفوعة بالتحليلات مثل WAM يمكن أن تسهم بشكل كبير في تطوير بيئات التعلم الإلكتروني الأكثر فعالية والمركزة على المتعلم.
قيود
تعترف الدراسة ببعض القيود المتعلقة بقابلية تعميم نتائجها، خاصة فيما يتعلق بالعينة المستخدمة لاستنتاجات إحصائية وتقديرات فعالية التنبؤ. كانت الأنماط السلوكية الملاحظة مستمدة بشكل خاص من المشاركين المشاركين في دورات تصميم بمساعدة الكمبيوتر (CAD) التقنية، والتي قد لا تعكس بدقة سلوكيات التعلم في تخصصات أكاديمية أخرى، مثل العلوم الإنسانية.
يجب أن تهدف الأبحاث المستقبلية إلى استكشاف هذه الأنماط السلوكية عبر مجموعة أوسع من المواد لتحديد مدى إمكانية تطبيق النتائج بشكل عالمي. سيساهم ذلك في تعزيز فهم سلوكيات التعلم في سياقات تعليمية متنوعة ويساعد في تطوير نماذج تنبؤية أكثر موثوقية.
DOI: https://doi.org/10.1038/s41598-026-44919-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41872280
Publication Date: 2026-03-23
Author(s): Olga Ovtšarenko
Primary Topic: Online Learning and Analytics
Overview
This study explores the integration of artificial intelligence (AI) and learning analytics in higher education, focusing on predictive analytics to enhance e-course development and identify students at risk of academic failure. Utilizing data from six Computer-Aided Design (CAD) courses at TTK University of Applied Sciences, the research developed a machine learning model based on 99,104 activity records from 154 students. The weighted attribute method (WAM) was employed to standardize key metrics—engagement, learning difficulty, and time allocation—allowing for effective outcome prediction. The findings indicate that predictive models can successfully identify at-risk students, enabling timely pedagogical interventions and fostering equitable learning environments.
In the conclusion, the study emphasizes the effectiveness of the WAM in analyzing resource characteristics and identifying factors that contribute to learner success. By integrating complexity, cognitive levels, engagement metrics, and temporal attributes, the research demonstrates that challenging and time-intensive activities significantly enhance learning outcomes. Although the initial validation results indicated potential overfitting due to the small dataset, cross-validation provided a more reliable assessment of model performance. The study contributes to the field of learning analytics by illustrating how structured weighting methods and machine learning can be utilized to improve digital learning design. However, it acknowledges limitations related to the dataset’s size and the need for further research across diverse educational contexts to validate and expand upon these findings.
Introduction
The introduction highlights the significant advancements in learning analytics (LA) and artificial intelligence (AI) within the educational sector, emphasizing the development of various tools, frameworks, and empirical data. The review concentrates on critical areas of contemporary AI research, including the implementation of early warning and predictive systems, the creation of adaptive and diagnostic learning models, the facilitation of human-AI collaboration in learning design, and the promotion of responsible and equitable AI deployment. These focal points underscore the transformative potential of AI in enhancing educational practices and outcomes.
Methods
In this study, a quantitative methodology was utilized to analyze student interactions within Moodle-based Computer-Aided Design (CAD) courses, aiming to create a predictive model for identifying students at risk of academic failure. The methodological framework included several key stages: data extraction, where relevant interaction data was gathered; preprocessing, which involved cleaning and organizing the data; feature engineering to identify and construct relevant variables; model training to develop the predictive algorithm; and performance evaluation to assess the model’s effectiveness in predicting academic outcomes. This systematic approach ensures robust analysis and enhances the reliability of the predictive model.
Results
The analysis of 49 learning resources revealed notable disparities in difficulty levels, planned time allocation, and learner interaction patterns. Complex tasks, such as homework assignments and modeling exercises, exhibited the highest mean success normalized values ($success\_norm$), characterized by greater difficulty weights and longer engagement times. In contrast, simpler materials, including introductory content and registration items, demonstrated lower effectiveness scores, correlating with their reduced cognitive demands. Strong correlations were found between the weighted WAM parameters and $success\_norm$, particularly highlighting the significance of time-based and difficulty-related attributes in determining effectiveness.
Two supervised learning models, Logistic Regression and Random Forest, were employed to predict a binary success measure ($success\_binary$), evaluated through 5-fold stratified cross-validation. The Random Forest model outperformed Logistic Regression, achieving an accuracy of 0.8756 and an F1 score of 0.8267, although neither model reached perfect performance, indicating reasonable generalization given the small dataset. Notably, both models exhibited stability across folds, with Logistic Regression showing consistent performance, while Random Forest displayed slight variability. However, testing on a hold-out set resulted in perfect scores, suggesting potential overfitting or data leakage. Subsequent testing on a revised test set yielded more realistic results: Logistic Regression achieved 0.800 accuracy and 0.750 F1, while Random Forest scored 0.700 accuracy and 0.571 F1, aligning more closely with cross-validated findings.
Discussion
The discussion section of the research paper emphasizes the critical role of artificial intelligence (AI) in enhancing early warning systems and predictive learning analytics within educational contexts. The findings indicate that supervised machine learning is predominantly used to identify at-risk students and predict academic outcomes, with a significant focus on interpretability to facilitate actionable insights for educators. The introduction of the weighted attribute method (WAM) is highlighted as a methodological advancement that enhances transparency by elucidating the importance of various course activities, thereby enabling educators to make informed decisions at both the learner and curriculum levels.
The study further explores the integration of adaptive and diagnostic modeling for personalized learning, underscoring the necessity of a collaborative approach where AI complements human pedagogical efforts rather than replacing them. Ethical considerations surrounding AI implementation are also addressed, emphasizing the need for fairness, cultural responsiveness, and the reduction of educational inequalities. The empirical results demonstrate that deeper cognitive engagement and sustained participation in complex tasks are associated with higher learning effectiveness, as identified through machine learning models like Logistic Regression and Random Forest. However, the authors caution against overfitting and the limitations of small, homogeneous datasets, advocating for broader data collection strategies and methodological improvements to enhance the generalizability and robustness of future models. Overall, the study posits that analytics-driven methods like WAM can significantly contribute to the development of more effective, learner-centered e-learning environments.
Limitations
The study acknowledges certain limitations regarding the generalizability of its findings, particularly in relation to the sample used for statistical inferences and predictive effectiveness estimates. The behavioral patterns observed were specifically derived from participants engaged in technical Computer-Aided Design (CAD) courses, which may not accurately reflect learning behaviors in other academic disciplines, such as humanities.
Future research should aim to explore these behavioral patterns across a broader range of subjects to determine the extent to which the findings can be applied universally. This would enhance the understanding of learning behaviors in diverse educational contexts and contribute to more robust predictive models.