DOI: https://doi.org/10.1007/s10758-025-09897-9
تاريخ النشر: 2025-08-26
المؤلف: Ramteja Sajja وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تقدم هذه البحث تطوير وتنفيذ أداة تحليل تعلم مبتكرة (LA) تستخدم نموذج GPT-4 من OpenAI لتعزيز النتائج التعليمية من خلال قياس تفاعل الطلاب ورسم تقدم التعلم. تقوم الأداة بتحليل نقاط بيانات متنوعة، بما في ذلك مستويات ضغط الطلاب، الفضول، الارتباك، الاضطراب، تفضيلات الموضوعات، وطرق الدراسة، لإنشاء نظرة شاملة على بيئة التعلم. تتضمن الأداة تصنيف بلوم لتقييم التطور المعرفي بناءً على استفسارات الطلاب. تشير التعليقات من أعضاء هيئة التدريس في جامعة أيوا إلى أنه بينما تمتلك الأداة القدرة على تحسين اتخاذ القرارات التعليمية من خلال رؤى في الوقت الحقيقي، لا تزال هناك مخاوف بشأن أمان البيانات ودقة الرؤى التي تنتجها الذكاء الاصطناعي.
تتكامل الأداة مع VirtualTA، حيث تلتقط وتحلل بيانات تفاعل الطلاب لتقديم رؤى حول التفاعل، الأداء، وأنماط التعلم. تميز نفسها عن أنظمة إدارة التعلم التقليدية من خلال استخدام تحليل المشاعر المدفوع بالذكاء الاصطناعي، وتتبع الموضوعات، وتصنيف المعرفة، مما يوفر تقييمًا شاملًا لمشاركة الطلاب النشطة والسلبية. تتيح هذه الابتكار رسم خرائط تلقائي لاستفسارات الطلاب إلى مستويات معرفية، مما يسهل تتبع تقدم التعلم بشكل منظم. من خلال مواءمة الرؤى المدفوعة بالذكاء الاصطناعي مع النظريات التعليمية المعمول بها، يعالج هذا البحث الفجوات في الدراسات السابقة حول تحليل التعلم والذكاء الاصطناعي في التعليم، متجاوزًا المقاييس التقليدية لتقديم رؤى قابلة للتنفيذ تعزز اتخاذ القرارات التربوية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الإمكانيات التحويلية لتحليل التعلم (LA) والذكاء الاصطناعي (AI) في التعليم، مع التأكيد على قدرتها على تعزيز المنهجيات التربوية ومعالجة التحديات المعقدة عبر مجالات مختلفة. أظهرت التطورات الأخيرة، وخاصة ظهور نماذج اللغة الكبيرة (LLMs) مثل GPT-4، تحسينات كبيرة في السياقات التعليمية، بما في ذلك الأداء في التقييمات الموحدة وتطوير مساعدي التعليم الشخصيين المدعومين بالذكاء الاصطناعي. ومع ذلك، لا تزال هناك فجوة حرجة بين قدرات الذكاء الاصطناعي والممارسات التربوية، حيث تفتقر العديد من أدوات الذكاء الاصطناعي إلى التوافق مع علوم التعلم، وغالبًا ما تعطي الأولوية للتعقيد الفني على الصلة التعليمية. تؤكد هذه الفجوة على الحاجة إلى التعاون بين مطوري الذكاء الاصطناعي والمعلمين والباحثين لإنشاء أدوات تدمج بفعالية الرؤى من علوم التعلم.
تحدد الورقة أهدافها الرئيسية، والتي تشمل تطوير أداة تحليل تعلم مدعومة بالذكاء الاصطناعي لقياس وتحليل تفاعل الطلاب، وبناء نظام شامل لمراقبة تقدم التعلم، وتقييم الحالات العاطفية للطلاب. من خلال الاستفادة من قدرات النمذجة التنبؤية للذكاء الاصطناعي، تهدف الدراسة إلى تقديم رؤى قابلة للتنفيذ في الوقت الحقيقي تعزز النتائج التعليمية مع ضمان الشمولية عبر مجموعات الطلاب المتنوعة. هيكل الورقة منظم في أقسام تستعرض الأدبيات الموجودة، وتفصل المنهجية، وتقدم النتائج، وتناقش آثار البحث.
الطرق
تتركز منهجية هذه البحث على تطوير أداة تحليل تعلم جديدة (LA)، مصممة كتحسين للمنصات التعليمية الحالية، خاصة من خلال دمج مساعد تعليمي ذكي مدعوم بالذكاء الاصطناعي يعرف باسم VirtualTA. تهدف هذه الأداة إلى تحسين جمع ومعالجة وتحليل البيانات التعليمية بما يتجاوز ما يتم جمعه عادةً بواسطة أنظمة إدارة التعلم (LMS). يتناول VirtualTA الاستفسارات اللوجستية المتعلقة بالدورات ويسهل الأسئلة المتعلقة بالمحتوى، بينما يقوم أيضًا بإنشاء أدوات دراسية مثل بطاقات الذاكرة والاختبارات. الأداة قابلة للتكيف، مما يسمح بالتوافق مع مجموعة متنوعة من الدردشات التعليمية والذكاء الاصطناعي، مما يوفر للمعلمين فهمًا شاملاً لأداء الطلاب وتفاعلهم وأنماط تعلمهم لإبلاغ قرارات التعليم المدفوعة بالبيانات.
تستخدم الدراسة نهجًا منهجيًا يتضمن مراحل جمع البيانات، المعالجة، التحليل، ونشر الأداة. تتعقب أداة LA بشكل محدد تفاعلات الطلاب مع VirtualTA، موثقة الأنشطة مثل طرح الأسئلة، إنشاء بطاقات الذاكرة، المشاركة في الاختبارات، وطلبات الملخصات. تكشف هذه البيانات عن تفضيلات التعلم الفردية والعامة، مثل الميل نحو الاسترجاع النشط أو الاختبار. من خلال تحليل هذه التفضيلات، يمكن للنظام تخصيص الردود والموارد لتتناسب بشكل أفضل مع عادات كل طالب، مما يعزز تجربة التعلم الشخصية. يمكن للمعلمين الاستفادة من هذه المعلومات لتكييف استراتيجياتهم التعليمية، مما يعزز في النهاية تفاعل الطلاب ويعزز طرق الدراسة المتنوعة، كما هو موضح في الرسوم البيانية المقدمة التي تصور أوضاع التفاعل.
النتائج
يقيم قسم النتائج في الدراسة أداة تحليل تعلم مدفوعة بالذكاء الاصطناعي (LA)، مع التركيز على أدائها والرؤى المستمدة من كل من بيانات الاختبار الاصطناعية واستجابات استطلاع أعضاء هيئة التدريس في جامعة أيوا. يتم تقسيم التحليل إلى جزئين: الأول يقيم قدرات الأداة في تتبع تفاعل الطلاب، ومراقبة الحالات العاطفية، وتقديم رؤى قابلة للتنفيذ باستخدام البيانات الاصطناعية، بينما يقدم الجزء الثاني تعليقات أعضاء هيئة التدريس حول التطبيقات العملية للأداة والقيمة المدركة في السياقات التعليمية.
كشفت دراسة حالة تتضمن استطلاعًا مجهول الهوية لأعضاء هيئة التدريس عن وجهات نظر متنوعة حول فعالية أداة LA ودمجها في الممارسات التربوية الحالية. شمل الاستطلاع استجابات من تخصصات متنوعة، حيث كان 38% من المستجيبين من مجالات STEM، مما يشير إلى تركيز قوي على الدقة والموثوقية. تشمل التخصصات الأخرى الممثلة الدراسات المهنية (14%)، العلوم الإنسانية (11%)، العلوم الاجتماعية (8%)، والفنون (2%)، مع 27% يحددون كـ “أخرى”، تشمل مجالات متخصصة مثل التمريض والطب. تنوعت أدوار أعضاء هيئة التدريس، حيث قدم الأساتذة المساعدون (30%)، والأساتذة (22%)، والأساتذة المساعدون (22%) رؤى مستندة إلى خبرة تدريس واسعة. أبرزت التعليقات أهمية سهولة الاستخدام والدمج، خاصة من المساعدين الخريجين (7%) والمحاضرين (3%)، مع الإشارة أيضًا إلى مخاوف الخصوصية وأمان البيانات بين أعضاء هيئة التدريس.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على تطور وأهمية تحليل التعلم (LA) كحقل متعدد التخصصات يدمج التعلم الآلي، وعلوم البيانات، والتعليم، وعلم النفس المعرفي. لقد أصبح LA قوة تحويلية في التعليم، مدفوعة بتوافر بيانات المتعلمين الواسعة والتقدم في منهجيات إدارة البيانات. يمتلك هذا المجال القدرة على تحسين الممارسات التعليمية، وإبلاغ البحث التعليمي، وإعادة تشكيل قرارات السياسة. ومع ذلك، لا تزال هناك تحديات، خاصة في دمج أدوات LA مع النظريات التربوية ومعالجة المخاوف الأخلاقية المتعلقة بخصوصية البيانات.
تنتقد الورقة الأطر والمنهجيات الحالية في LA، مشيرة إلى أنه بينما حققت الدراسات الأخيرة تقدمًا في قياس تفاعل الطلاب، فإنها غالبًا ما تفتقر إلى الأدوات العملية للتطبيق في الوقت الحقيقي في بيئات التعلم المتنوعة. يقترح المؤلفون أداة تحليل تعلم معززة بالذكاء الاصطناعي تدمج النظرية التربوية مع مصادر البيانات متعددة الوسائط، مما يوفر رؤى قابلة للتنفيذ للمعلمين. تهدف هذه الأداة إلى معالجة قيود الأساليب الحالية من خلال دمج التعرف على المشاعر وتحليل البيانات السلوكية، مما يوفر فهمًا أكثر شمولاً لتفاعل الطلاب وتقدم التعلم. من خلال الاستفادة من تقنيات الذكاء الاصطناعي المتقدمة، تم تصميم الأداة لتكون قابلة للتكيف مع كل من السياقات التعليمية التقليدية وعبر الإنترنت، مما يضمن الشمولية وقابلية التوسع مع إعطاء الأولوية للاعتبارات الأخلاقية في التعامل مع البيانات.
DOI: https://doi.org/10.1007/s10758-025-09897-9
Publication Date: 2025-08-26
Author(s): Ramteja Sajja et al.
Primary Topic: Online Learning and Analytics
Overview
This research presents the development and implementation of an innovative learning analytics (LA) tool that utilizes OpenAI’s GPT-4 model to enhance educational outcomes by quantifying student engagement and mapping learning progression. The tool analyzes various data points, including students’ stress levels, curiosity, confusion, agitation, topic preferences, and study methods, to create a comprehensive overview of the learning environment. It incorporates Bloom’s taxonomy to evaluate cognitive development based on student inquiries. Feedback from faculty at the University of Iowa indicates that while the tool has the potential to improve instructional decision-making through real-time insights, concerns regarding data security and the accuracy of AI-generated insights remain.
The tool integrates with VirtualTA, capturing and analyzing student interaction data to provide insights into engagement, performance, and learning patterns. It distinguishes itself from traditional learning management systems by employing AI-driven sentiment analysis, topic tracking, and cognitive classification, thereby offering a holistic assessment of both active and passive student participation. This innovation allows for the automated mapping of student inquiries to cognitive levels, facilitating structured tracking of learning progression. By aligning AI-driven insights with established educational theories, this research addresses gaps in previous studies on learning analytics and AI in education, moving beyond conventional metrics to deliver actionable insights that enhance pedagogical decision-making.
Introduction
The introduction of this research paper highlights the transformative potential of learning analytics (LA) and artificial intelligence (AI) in education, emphasizing their ability to enhance pedagogical methodologies and address complex challenges across various fields. Recent advancements, particularly the emergence of large language models (LLMs) like GPT-4, have demonstrated significant improvements in educational contexts, including performance on standardized assessments and the development of personalized AI-enabled educational assistants. However, a critical gap persists between AI capabilities and pedagogical practices, as many AI tools lack alignment with learning sciences, often prioritizing technical sophistication over educational relevance. This disconnect underscores the need for collaboration among AI developers, educators, and researchers to create tools that effectively integrate insights from learning sciences.
The paper outlines its primary objectives, which include developing an AI-empowered LA tool to measure and analyze student engagement, constructing a comprehensive system to monitor learning progression, and assessing students’ affective states. By leveraging AI’s predictive modeling capabilities, the research aims to provide real-time, actionable insights that enhance educational outcomes while ensuring inclusivity across diverse student populations. The structure of the paper is organized into sections that review existing literature, detail methodology, present findings, and discuss the implications of the research.
Methods
The methodology of this research focuses on the development of a novel Learning Analytics (LA) tool, designed as an enhancement to existing educational platforms, particularly through the integration of an AI-augmented intelligent educational assistant known as VirtualTA. This tool aims to improve the collection, processing, and analysis of educational data beyond what is typically gathered by Learning Management Systems (LMS). VirtualTA addresses logistical inquiries related to courses and facilitates content-related questions, while also generating study aids such as flashcards and quizzes. The tool is adaptable, allowing compatibility with various educational chatbots and smart assistants, thereby providing educators with a comprehensive understanding of student performance, engagement, and learning patterns to inform data-driven instructional decisions.
The study employs a systematic approach that includes stages of data collection, processing, analysis, and tool deployment. The LA tool specifically tracks student interactions with VirtualTA, documenting activities such as question-asking, flashcard creation, quiz participation, and summary requests. This data reveals individual and class-wide learning preferences, such as tendencies towards active recall or testing. By analyzing these preferences, the system can customize responses and resources to better align with each student’s habits, fostering a personalized learning experience. Educators can leverage this information to adapt their teaching strategies, ultimately enhancing student engagement and promoting diverse study methods, as illustrated by the provided graphs depicting interaction modes.
Results
The results section of the study evaluates an AI-driven learning analytics (LA) tool, focusing on its performance and the insights derived from both synthetic test data and faculty survey responses at the University of Iowa. The analysis is divided into two parts: the first assesses the tool’s capabilities in tracking student engagement, monitoring emotional states, and providing actionable insights using synthetic data, while the second part presents faculty feedback on the tool’s practical applications and perceived value in educational contexts.
A case study involving an anonymous survey of the teaching faculty revealed diverse perspectives on the LA tool’s effectiveness and integration into existing pedagogical practices. The survey included responses from various disciplines, with 38% of respondents from STEM fields, indicating a strong emphasis on accuracy and reliability. Other disciplines represented included Professional Studies (14%), Humanities (11%), Social Sciences (8%), and Arts (2%), with 27% identifying as “Other,” encompassing specialized fields such as Nursing and Medicine. Faculty roles varied, with Assistant Professors (30%), Professors (22%), and Associate Professors (22%) providing insights based on extensive teaching experience. The feedback highlighted the importance of ease of use and integration, particularly from Graduate Assistants (7%) and Lecturers (3%), while also noting privacy and data security concerns among faculty.
Discussion
The discussion section of the research paper highlights the evolution and significance of Learning Analytics (LA) as an interdisciplinary field that merges machine learning, data science, education, and cognitive psychology. LA has emerged as a transformative force in education, driven by the availability of extensive learner data and advancements in data management methodologies. This field has the potential to enhance teaching practices, inform educational research, and reshape policy decisions. However, challenges remain, particularly in integrating LA tools with pedagogical theories and addressing ethical concerns surrounding data privacy.
The paper critiques existing frameworks and methodologies in LA, noting that while recent studies have made strides in measuring student engagement, they often lack practical tools for real-time application in diverse learning environments. The authors propose an AI-enhanced learning analytics tool that integrates pedagogical theory with multimodal data sources, providing actionable insights for educators. This tool aims to address the limitations of current approaches by incorporating emotional recognition and behavioral data analysis, thus offering a more comprehensive understanding of student engagement and learning progression. By leveraging advanced AI techniques, the tool is designed to be adaptable to both physical and online learning contexts, ensuring inclusivity and scalability while prioritizing ethical considerations in data handling.