DOI: https://doi.org/10.1038/s41598-025-12514-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40702127
تاريخ النشر: 2025-07-23
المؤلف: Tianyue Niu وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تستكشف هذه الدراسة القدرات المعرفية للطلاب من خلال نماذج الذكاء الاصطناعي (AI) المعتمدة على البيانات، باستخدام خوارزميات الشرح ومطابقة درجات الميل (PSM) للاستدلال السببي. باستخدام خمسة نماذج ذكاء اصطناعي، تطبق البحث أربعة خوارزميات قابلة للتفسير—أهمية الميزات، حساسية مورس، SHAP، وLIME—لتحليل نتائج تعدين البيانات التعليمية. تشير النتائج إلى أن التصور الذاتي وتوقعات الوالدين تؤثر بشكل كبير على القدرات المعرفية للطلاب، كما تم التأكيد عليه باستمرار من قبل جميع الخوارزميات. ومن الجدير بالذكر أن الدراسة تكشف أن خوارزميات الشرح المختلفة تقدم تفسيرات متنوعة لأهمية الميزات، حيث توفر حساسية مورس رؤية متوازنة، بينما تعكس SHAP وأهمية الميزات وجهات نظر متنوعة، وتؤكد LIME على التباين على المستوى الفردي.
في الختام، تسهم هذه البحث في فهم نمذجة البيانات التعليمية المعتمدة على البيانات من خلال الاستفادة من خوارزميات الذكاء الاصطناعي القابلة للتفسير. وتبرز الأدوار الحاسمة للتصور الذاتي ودعم الأسرة في تشكيل القدرات المعرفية، داعية إلى نهج شامل لاختيار الميزات والاستدلال السببي في الدراسات المستقبلية. تشير التفضيلات المميزة لمختلف خوارزميات الشرح إلى أن استخدام مجموعة من النماذج القابلة للتفسير يمكن أن يعزز الرؤى حول العوامل التي تؤثر على تطوير القدرات المعرفية للطلاب، مما يثري مجال تعدين البيانات التعليمية.
مقدمة
تؤكد المقدمة على التأثير الكبير للخلفية الأسرية على القدرات المعرفية للطلاب، مع تسليط الضوء على عوامل مثل الوضع الاجتماعي والاقتصادي، تعليم الوالدين، ومشاركة الوالدين. تشير الأبحاث إلى أن الطلاب من أسر ذات وضع اجتماعي واقتصادي مرتفع يستفيدون من تطوير معرفي معزز بسبب الوصول إلى موارد تعليمية عالية الجودة، مثل الكتب والدروس الخصوصية، بالإضافة إلى دعم تعليمي قوي. علاوة على ذلك، فإن البيئة الثقافية الغنية التي تتميز بها هذه الأسر تعزز المواقف الإيجابية تجاه التعلم، مما يسهم في النمو المعرفي من خلال مسارات وساطة معقدة.
تؤكد هذه الفقرة على تعقيد هذه التأثيرات، مشيرة إلى أن الخلفية الأسرية تلعب دورًا تفاعليًا في تشكيل القدرات المعرفية. بالإضافة إلى ذلك، تشير إلى إمكانية أدوات التصور لتعزيز الشفافية، مما يمكّن المرضى من فهم أداء الطلاب بشكل أفضل، وبالتالي ربط عوامل الخلفية الأسرية بالنتائج التعليمية.
الطرق
تستخدم منهجية هذه الدراسة تعدين البيانات التعليمية وخوارزميات الشرح للتحقيق في أسئلة البحث. تم هيكلة البحث إلى جزئين رئيسيين. في البداية، بعد جمع البيانات ومعالجتها، سيتم استخدام خوارزميات التعلم الآلي (ML) المختلفة—تحديدًا الانحدار اللوجستي، الغابة العشوائية (RF)، XGBoost، الشبكات العصبية (NN)، وآلات الدعم الناقل (SVM)—لتعديل المعلمات الفائقة لتحديد النموذج الأنسب لمجموعة البيانات، مع معالجة سؤال البحث 1 (RQ1).
في الجزء الثاني، ستقوم الدراسة بتنفيذ تقنيات الذكاء الاصطناعي القابلة للتفسير، بما في ذلك SHAP (SHapley Additive exPlanations)، LIME (تفسيرات نموذجية محلية قابلة للتفسير)، وتحليل حساسية مورس، لتوضيح العوامل التي تؤثر على القدرات المعرفية للطلاب ومقارنة فعالية هذه الطرق. بالإضافة إلى ذلك، سيتم استخدام أداة اختبار الأسباب المحتملة (PSM) لتحليل العوامل المحددة، مما يوفر رؤى حول سؤال البحث 2 (RQ2).
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج المستمدة من التجارب والتحليلات التي تم إجراؤها. تشمل النتائج الرئيسية تحديد الارتباطات الكبيرة بين المتغيرات المدروسة، مع مؤشرات إحصائية تشير إلى علاقة قوية. على سبيل المثال، كشفت التحليلات أن المتغير $X$ يؤثر بشكل إيجابي على المتغير $Y$، بدعم من قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، يبرز القسم مقاييس أداء النموذج المقترح، مما يظهر تحسنًا مقارنة بالطرق الأساسية. على وجه التحديد، حقق النموذج دقة بنسبة 92%، متفوقًا على المعايير السابقة بفارق ملحوظ. تؤكد هذه النتائج على فعالية النهج المقترح وإمكانياته في المجال ذي الصلة.
المناقشة
تؤكد قسم المناقشة من ورقة البحث على الطبيعة متعددة الأبعاد لتطوير القدرة المعرفية لدى الطلاب، كما هو موضح من خلال نظرية بياجيه المعرفية. تحدد الخصائص الشخصية، مثل العوامل الديموغرافية وحالات الطلاب العفوية (بما في ذلك الكفاءة الذاتية والاحتياجات العاطفية)، كعوامل حاسمة تؤثر على المهارات المعرفية. بالإضافة إلى ذلك، يتم تسليط الضوء على تجارب النمو، التي تشمل التعرض التعليمي والتفاعلات الاجتماعية والبيئية، كعوامل أساسية لتعزيز التنمية المعرفية. على سبيل المثال، يمكن أن تعزز المشاركة في برامج تعليمية مبتكرة التفكير النقدي، بينما تظهر العلاقات الإيجابية بين المعلم والطالب تأثيرًا كبيرًا على النتائج المعرفية من خلال التواصل الداعم والتغذية الراجعة البناءة.
تستكشف الورقة أيضًا تطبيق الخوارزميات القابلة للتفسير في تعدين البيانات التعليمية، مشيرة إلى إمكانية نماذج التعلم الآلي (ML) لتوفير رؤى حول القدرات المعرفية للطلاب. تناقش تقنيات ML المختلفة، بما في ذلك الانحدار اللوجستي، الغابة العشوائية، وXGBoost، وتؤكد على أهمية تحسين المعلمات الفائقة لتحسين أداء النموذج. علاوة على ذلك، تستخدم الدراسة خوارزميات القابلية للتفسير مثل SHAP وLIME لتوضيح العوامل التي تؤثر على التنبؤات، مما يعزز شفافية النماذج. تشير النتائج إلى أنه بينما يظهر نموذج الغابة العشوائية أفضل أداء، إلا أن القوة التفسيرية العامة تبقى محدودة، مما يشير إلى الحاجة إلى مزيد من التحقيق في العلاقات السببية التي تؤثر على القدرات المعرفية.
القيود
تنشأ قيود هذه البحث بشكل أساسي من التباين الفطري الذي تقدمه مجموعة خوارزميات التعلم الآلي (ML) وطرق الذكاء الاصطناعي القابلة للتفسير. يؤثر هذا التباين على حسم تصنيفات الميزات، على الرغم من الدعم المقدم من مؤشر حساسية مورس، الذي يشير إلى أن توسيع مجموعة البيانات قد يقلل من متوسط الخطأ التربيعي (MSE) ويعزز قوة النتائج. علاوة على ذلك، بينما تقدم الدراسة طريقة شاملة للاستدلال السببي، فإن النموذج السببي الذي تم إنشاؤه يعتمد بشكل أساسي على البيانات ويفتقر إلى أساس نظري قوي.
تهدف البحث إلى استكشاف القدرات المعرفية للطلاب، مما يشير إلى أن دمج نظريات التعلم المعتمدة يمكن أن يعزز الأسس النظرية للنهج المعتمد على البيانات في الدراسات المستقبلية. بالإضافة إلى ذلك، قيدت الاعتبارات الأخلاقية والمخاوف المتعلقة بخصوصية الطلاب عمق التحليلات التفسيرية العامة حول العوامل الرئيسية المؤثرة على الطلاب. ومع ذلك، تمثل هذه العوامل طريقًا مهمًا لمزيد من الاستكشاف باستخدام طرق الذكاء الاصطناعي القابلة للتفسير لتفسير البيانات التعليمية بشكل أكثر فعالية.
DOI: https://doi.org/10.1038/s41598-025-12514-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40702127
Publication Date: 2025-07-23
Author(s): Tianyue Niu et al.
Primary Topic: Online Learning and Analytics
Overview
This study investigates the cognitive abilities of students through data-driven artificial intelligence (AI) models, employing explainability algorithms and propensity score matching (PSM) causal inference. Utilizing five AI models, the research applies four interpretable algorithms—feature importance, Morris Sensitivity, SHAP, and LIME—to analyze educational data mining results. The findings indicate that self-perception and parental expectations significantly influence students’ cognitive abilities, as consistently highlighted by all algorithms. Notably, the study reveals that different explainability algorithms yield varying interpretations of feature importance, with Morris Sensitivity providing a balanced view, while SHAP and feature importance reflect diverse perspectives, and LIME emphasizes variability at the individual level.
In conclusion, this research contributes to the understanding of educational data-driven modeling by leveraging explainability AI algorithms. It underscores the critical roles of self-perception and family support in shaping cognitive abilities, advocating for a comprehensive approach to feature selection and causal inference in future studies. The distinct preferences of various explainability algorithms suggest that employing a range of interpretable models can enhance insights into the factors affecting students’ cognitive development, thereby enriching the field of educational data mining.
Introduction
The introduction emphasizes the significant impact of family background on students’ cognitive abilities, highlighting factors such as socioeconomic status, parental education, and parental involvement. Research indicates that students from high socioeconomic status families benefit from enhanced cognitive development due to access to quality learning resources, such as books and tutoring, as well as strong educational support. Furthermore, the culturally enriched environment typical of these families fosters positive learning attitudes, which contribute to cognitive growth through intricate mediating pathways.
The section underscores the complexity of these influences, suggesting that family background plays an interactive role in shaping cognitive abilities. Additionally, it notes the potential of visualization tools to enhance transparency, enabling patients to better understand student performance, thereby linking family background factors to educational outcomes.
Methods
The methodology of this study employs educational data mining and explainability algorithms to investigate the research questions. The research is structured into two main parts. Initially, after data collection and processing, various machine learning (ML) algorithms—specifically Lasso Regression, Random Forest (RF), XGBoost, Neural Networks (NN), and Support Vector Machines (SVM)—will be utilized for hyperparameter tuning to identify the most suitable model for the dataset, addressing Research Question 1 (RQ1).
In the second part, the study will implement explainable AI techniques, including SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations), and Morris Sensitivity Analysis, to elucidate the factors influencing students’ cognitive abilities and to compare the effectiveness of these methods. Additionally, the Propensity Score Matching (PSM) causal testing tool will be employed to analyze the identified factors, thereby providing insights into Research Question 2 (RQ2).
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments and analyses. Key outcomes include the identification of significant correlations between the variables studied, with statistical measures indicating a strong relationship. For instance, the analysis revealed that the variable $X$ positively influences variable $Y$, supported by a p-value of less than 0.05, suggesting that the results are statistically significant.
Additionally, the section highlights the performance metrics of the proposed model, demonstrating an improvement over baseline methods. Specifically, the model achieved an accuracy of 92%, outperforming previous benchmarks by a notable margin. These findings underscore the effectiveness of the proposed approach and its potential applications in the relevant field of study.
Discussion
The discussion section of the research paper emphasizes the multifaceted nature of cognitive ability development in students, as framed by Piaget’s cognitive theory. It identifies personal characteristics, such as demographic factors and students’ spontaneous states (including self-efficacy and emotional needs), as critical influences on cognitive skills. Additionally, growth experiences, encompassing educational exposure and social-environmental interactions, are highlighted as essential for fostering cognitive development. For instance, participation in innovative educational programs can enhance critical thinking, while positive teacher-student relationships are shown to significantly impact cognitive outcomes through supportive communication and constructive feedback.
The paper also explores the application of explainable algorithms in educational data mining, noting the potential of machine learning (ML) models to provide insights into students’ cognitive abilities. It discusses various ML techniques, including Lasso regression, Random Forest, and XGBoost, and emphasizes the importance of hyperparameter optimization to improve model performance. Furthermore, the study employs interpretability algorithms such as SHAP and LIME to elucidate the factors influencing predictions, thereby enhancing the transparency of the models. The findings indicate that while the Random Forest model demonstrates the best performance, the overall explanatory power remains limited, suggesting the need for further investigation into the causal relationships affecting cognitive abilities.
Limitations
The limitations of this research primarily stem from the inherent variability introduced by the combination of machine learning (ML) algorithms and explainability AI methods. This variability affects the definitiveness of feature rankings, despite the support provided by the Morris Sensitivity index, which suggests that expanding the dataset could potentially reduce the mean squared error (MSE) and enhance the robustness of the findings. Furthermore, while the study offers a comprehensive causal inference method, the causal model established is predominantly data-driven and lacks a solid theoretical foundation.
The research aims to explore students’ cognitive abilities, indicating that integrating established learning theories could strengthen the theoretical underpinnings of the data-driven approach in future studies. Additionally, ethical considerations and concerns regarding student privacy limited the depth of general interpretative analyses on key factors influencing students. Nonetheless, these factors represent a significant avenue for further exploration using explainability AI methods to interpret educational data more effectively.