DOI: https://doi.org/10.1038/s41598-025-06686-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40603455
تاريخ النشر: 2025-07-02
المؤلف: J. Li وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تبحث هذه الدراسة في المحددات متعددة العوامل لرضا طلاب الجامعات عن منصات التعلم عبر الإنترنت، باستخدام إطار عمل قائم على الغابات العشوائية لتحليل بيانات من 782 طالبًا. تحدد الدراسة استقرار المنصة وتكرار تحديث المحتوى كأهم المؤشرات على الرضا، مع قيم AUC تتجاوز 0.95 لمعظم مستويات الرضا. تلعب العوامل النفسية، وخاصة المتعة المدركة والاستقرار العاطفي، دورًا حاسمًا أيضًا. تكشف التحليلات عن أنماط غير خطية معقدة، مثل تأثيرات العتبة ومنحنيات التشبع، والتي غالبًا ما تتجاهلها النماذج الخطية التقليدية. ومع ذلك، كانت أداء النموذج في التنبؤ بحالات الرضا المنخفض محدودًا، مما يشير إلى احتمال عدم تمثيل بعض الفئات الفرعية بشكل كافٍ.
تساهم الدراسة في الأدبيات من خلال دمج الأبعاد المعرفية والعاطفية، مما يظهر فائدة التعلم الآلي في نمذجة التفاعلات غير الخطية، وتقديم رؤى عملية لتحسين المنصات. تسلط الضوء على الحاجة إلى أبحاث مستقبلية تشمل مجموعة أوسع من البنى النفسية وسكان متعلمين متنوعين لتعزيز القابلية للتعميم. منهجيًا، تقترح استخدام تقنيات تفسيرية غير مرتبطة بالنموذج وتحسين تمثيل فئات الرضا الأقل. تتحدى النتائج الافتراضات التقليدية للنمذجة الخطية وتدعو إلى فهم أكثر دقة لرضا المستخدم في التعليم الرقمي، مقدمة توصيات قابلة للتنفيذ للمطورين وأصحاب المصلحة لإنشاء بيئات تعلم أكثر تكيفًا ومركزية حول المستخدم.
الطرق
استخدمت الدراسة منهجية كمية قائمة على البيانات لتقييم رضا طلاب الجامعات عن منصات التعلم عبر الإنترنت، من خلال دمج استجابات الاستبيانات المنظمة مع تحليلات التنبؤ بالتعلم الآلي. مع إدراك قيود الأساليب الإحصائية الخطية التقليدية، وخاصة عدم كفاءتها في التقاط التفاعلات المعقدة بين المتغيرات التعليمية، اختار الباحثون خوارزمية الغابات العشوائية (RF). كان هذا الاختيار مدفوعًا بقدرة RF على إدارة العلاقات غير الخطية وتقييم أهمية الميزات بشكل فعال.
تطورت تصميم البحث في أربع مراحل رئيسية: تطوير الأدوات، جمع البيانات، معالجة البيانات، وبناء النموذج وتقييمه. سمح هذا النهج المنظم بإجراء تحليل شامل للبيانات، مما يضمن نتائج قوية بشأن رضا الطلاب عن بيئات التعلم عبر الإنترنت. يتم تمثيل المنهجية العامة بصريًا في الشكل 1 من الورقة.
النتائج
استخدمت الدراسة إطارًا تنبؤيًا قائمًا على الغابات العشوائية لتحديد المحددات الرئيسية لرضا طلاب الجامعات عن منصات التعلم عبر الإنترنت، مع تسليط الضوء على استقرار المنصة وتكرار تحديث المحتوى كأهم المؤشرات. أظهر النموذج أداء تصنيف قوي، محققًا قيم منطقة تحت المنحنى (AUC) تتجاوز 0.96 للفئات 1 و3 و5، بينما أظهرت الفئة 2 AUC أقل يبلغ 0.70، ربما بسبب عدم توازن البيانات أو نقص المتغيرات الوسيطة. تشير هذه النتيجة إلى أن مستويات الرضا المعتدلة قد تشير إلى تجارب مستخدم غير متسقة، وغالبًا ما تنبع من توقعات غير محققة أو عدم توافق بين ميزات المنصة وأهداف المستخدم، والتي يشار إليها باسم “فجوات التصميم والواقع”.
تؤكد النتائج على ضرورة أن يتعامل مصممو المنصات مع الخصائص التقنية وكذلك حالات الرضا الوسيطة، والتي قد تشير إلى الانسحاب المبكر. يُوصى باستراتيجية تدخل متعددة الطبقات، مع التأكيد على أهمية موثوقية النظام وحداثة المحتوى، جنبًا إلى جنب مع أنظمة التوصية الشخصية وواجهات المستخدم التكيفية. بالإضافة إلى ذلك، كشفت الدراسة عن ظواهر غير خطية مثل تأثيرات العتبة والتشبع، مما يشير إلى أن الزيادات الكبيرة في رضا الطلاب تحدث فقط عندما تتجاوز جودة المحتوى المدركة عتبة حرجة. تدعو هذه الرؤى إلى نهج تصميم حساس للعتبة يتجاوز توقعات المتعلمين الأساسية وتقترح مزيدًا من الاستكشاف لكيفية تأثير هذه اللاخطيات على موثوقية التصنيف عبر فئات الرضا المختلفة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على العلاقة المعقدة بين رضا الطلاب والعديد من العوامل في بيئات التعلم عبر الإنترنت، مع التأكيد على الحاجة إلى تقنيات نمذجة أكثر تطورًا. غالبًا ما تعتمد الأطر التقليدية، مثل نموذج قبول التكنولوجيا (TAM) ورضا المستخدم النهائي (EUCS)، على نماذج خطية تفشل في التقاط التفاعل الديناميكي بين الميزات التكنولوجية والسمات النفسية، مثل الاستقرار العاطفي والتنظيم الذاتي. يجادل الورقة بأن هذه النماذج تتجاهل تعقيد تجارب المستخدم، خاصة في سياق جائحة COVID-19، التي زادت من الفجوات العاطفية بين المتعلمين. استجابةً لذلك، يدعو المؤلفون إلى اعتماد نهج التعلم الآلي، وبشكل خاص الغابات العشوائية (RF)، التي يمكن أن تستوعب التفاعلات غير الخطية وتوفر فهمًا أكثر دقة لمحددات الرضا.
تؤكد النتائج على أهمية دمج العوامل النفسية في نمذجة الرضا، كاشفة أن البنى مثل المتعة المدركة والمرونة العاطفية تؤثر بشكل كبير على مشاركة الطلاب مع المنصات الرقمية. يعالج استخدام تقنيات متقدمة، مثل تقنية زيادة العينة للأقليات الاصطناعية (SMOTE)، عدم توازن الفئات في بيانات الرضا، مما يعزز قدرة النموذج على اكتشاف أنماط عدم الرضا. تهدف الابتكارات المنهجية للدراسة، بما في ذلك دمج المتنبئات النفسية والتكنولوجية ضمن إطار غير خطي موحد، إلى تقديم تمثيل شامل وعادل لرضا الطلاب، مما يُعلم في النهاية استراتيجيات التصميم المتمحورة حول المستخدم ودعم المتعلمين في التعليم عبر الإنترنت.
DOI: https://doi.org/10.1038/s41598-025-06686-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40603455
Publication Date: 2025-07-02
Author(s): J. Li et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This research investigates the multifactorial determinants of university students’ satisfaction with online learning platforms, utilizing a Random Forest-based framework to analyze data from 782 students. The study identifies platform stability and content update frequency as the most significant predictors of satisfaction, with AUC values exceeding 0.95 for most satisfaction levels. Psychological factors, particularly perceived enjoyment and emotional stability, also play a crucial role. The analysis reveals complex nonlinear patterns, such as threshold effects and saturation curves, which traditional linear models often overlook. However, the model’s performance in predicting low-satisfaction cases was limited, indicating potential subgroup underrepresentation.
The study contributes to the literature by integrating cognitive and affective dimensions, demonstrating the utility of machine learning for modeling nonlinear interactions, and providing practical insights for platform optimization. It highlights the need for future research to include a broader range of psychological constructs and diverse learner populations to enhance generalizability. Methodologically, it suggests employing model-agnostic interpretability techniques and improving representation of minority satisfaction classes. The findings challenge traditional linear modeling assumptions and advocate for a more nuanced understanding of user satisfaction in digital education, offering actionable recommendations for developers and stakeholders to create more adaptive and user-centered learning environments.
Methods
The study utilized a quantitative, data-driven methodology to assess university students’ satisfaction with online learning platforms, combining structured questionnaire responses with machine learning predictive analytics. Recognizing the limitations of traditional linear statistical methods, particularly their inadequacy in capturing complex interactions among educational variables, the researchers opted for the Random Forest (RF) algorithm. This choice was driven by RF’s ability to manage nonlinear relationships and assess feature importance effectively.
The research design unfolded in four main stages: instrument development, data collection, data preprocessing, and model construction and evaluation. This structured approach allowed for a comprehensive analysis of the data, ensuring robust findings regarding student satisfaction with online learning environments. The overall methodology is visually represented in Figure 1 of the paper.
Results
The study utilized a Random Forest-based predictive framework to identify key determinants of university students’ satisfaction with online learning platforms, highlighting platform stability and content update frequency as the most significant predictors. The model exhibited strong classification performance, achieving Area Under the Curve (AUC) values exceeding 0.96 for Categories 1, 3, and 5, while Category 2 showed a lower AUC of 0.70, potentially due to data imbalance or missing moderating variables. This finding suggests that moderate satisfaction levels may indicate inconsistent user experiences, often stemming from unmet expectations or misalignments between platform features and user goals, referred to as “design-reality gaps.”
The results underscore the necessity for platform designers to address not only technical attributes but also intermediate satisfaction states, which could signal early disengagement. A multi-layered intervention strategy is recommended, emphasizing the importance of system reliability and content freshness, alongside personalized recommendation systems and adaptive user interfaces. Additionally, the study revealed nonlinear phenomena such as threshold and saturation effects, indicating that significant increases in student satisfaction occur only when perceived content quality surpasses a critical threshold. These insights advocate for threshold-sensitive design approaches that exceed baseline learner expectations and suggest further exploration of how these nonlinearities affect classification reliability across different satisfaction categories.
Discussion
The discussion section of the research paper highlights the intricate relationship between student satisfaction and various factors in online learning environments, emphasizing the need for more sophisticated modeling techniques. Traditional frameworks, such as the Technology Acceptance Model (TAM) and End-User Computing Satisfaction (EUCS), often rely on linear models that fail to capture the dynamic interplay between technological features and psychological attributes, such as emotional stability and self-regulation. The paper argues that these models overlook the complexity of user experiences, particularly in the context of the COVID-19 pandemic, which has exacerbated emotional disparities among learners. As a response, the authors advocate for the adoption of machine learning approaches, specifically Random Forest (RF), which can accommodate nonlinear interactions and provide a more nuanced understanding of satisfaction determinants.
The findings underscore the importance of integrating psychological factors into satisfaction modeling, revealing that constructs like perceived enjoyment and emotional resilience significantly influence student engagement with digital platforms. The use of advanced techniques, such as the Synthetic Minority Over-sampling Technique (SMOTE), addresses class imbalance in satisfaction data, enhancing the model’s ability to detect dissatisfaction patterns. The study’s methodological innovations, including the combination of psychological and technological predictors within a unified nonlinear framework, aim to provide a comprehensive and equitable representation of student satisfaction, ultimately informing user-centered design and learner support strategies in online education.