DOI: https://doi.org/10.52465/joiser.v4i1.624
تاريخ النشر: 2026-02-08
المؤلف: Wildan Hidayatulloh وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تستكشف هذه الدراسة توقع الأداء الأكاديمي للطلاب مع التركيز على قابلية تفسير النموذج من خلال الذكاء الاصطناعي القابل للتفسير (XAI). باستخدام بيانات أكاديمية تاريخية، تم تطوير نموذجين لتصنيف التعلم الآلي – الغابة العشوائية وXGBoost – لتحديد الطلاب المعرضين لخطر الفشل الأكاديمي. تشير النتائج إلى أن الغابة العشوائية حققت دقة بنسبة 90.77% ودقة قدرها 0.7500 لفئة الخطر، بينما أظهر XGBoost استدعاءً أعلى قدره 0.7000 مع دقة 89.23% ودقة 0.6364. أنتج كلا النموذجين درجة F1 متطابقة قدرها 0.6667، مما يبرز أدائهما المتوازن. أوضحت طرق XAI، وبشكل خاص SHAP (SHapley Additive exPlanations) وLIME (Local Interpretable Model-agnostic Explanations)، الميزات الرئيسية التي تؤثر على التوقعات، حيث تم تحديد G2 (الدرجة النهائية للفترة السابقة)، والفشل (عدد الدورات الفاشلة)، والغيابات كعوامل حاسمة.
تساهم الدراسة في تطوير نظام دعم قرار شفاف يعزز التدخلات الأكاديمية المخصصة. ومع ذلك، تعترف بالقيود، مثل خصوصية مجموعة البيانات لسياق التعليم العالي المحدد، مما قد يؤثر على إمكانية تعميم النتائج. يُوصى بإجراء أبحاث مستقبلية تشمل سجلات أكاديمية متنوعة من مؤسسات متعددة ودمج البيانات الزمنية لالتقاط التغيرات في سلوك الطلاب. بالإضافة إلى ذلك، يمكن أن يؤدي استكشاف تقنيات التعلم المتقدمة أو التعلم العميق المفسرة من خلال XAI إلى الحصول على رؤى إضافية. كما يُقترح التطبيق العملي للنموذج في البيئات الأكاديمية، بما في ذلك لوحات المعلومات سهلة الاستخدام وتقييمات التدخلات المدفوعة بـ XAI، لاستكشافها في المستقبل.
مقدمة
تتناول مقدمة هذه الورقة البحثية التحدي المتزايد المتمثل في تراجع الأداء الأكاديمي بين الطلاب في التعليم العالي، مع التأكيد على عدم الاستفادة الكافية من البيانات الأكاديمية المتاحة للكشف عن المخاطر والتدخل بشكل استباقي. كانت الطرق التحليلية التقليدية وصفية إلى حد كبير، تفتقر إلى الدقة التنبؤية وقابلية التفسير اللازمة للإدارة الأكاديمية الفعالة. مع التقدم في التعلم الآلي، تم استخدام نماذج تصنيف مختلفة مثل الأشجار القرار، والغابات العشوائية، وآلات الدعم الناقل (SVM)، وتعزيز التدرج للتنبؤ بالنتائج الأكاديمية. ومع ذلك، غالبًا ما تعمل هذه النماذج كـ “صناديق سوداء”، مما يعقد تفسيرها لأصحاب المصلحة غير الفنيين في البيئات التعليمية.
لسد هذه الفجوة، تدعو الورقة إلى دمج طرق الذكاء الاصطناعي القابل للتفسير (XAI)، وبشكل خاص SHAP (SHapley Additive exPlanations) وLIME (Local Interpretable Model-agnostic Explanations)، التي تعزز شفافية النماذج التنبؤية. بينما أظهرت هذه الطرق وعدًا في مجالات أخرى، لا يزال تطبيقها في التعليم – وخاصة لتوقع المخاطر الأكاديمية – محدودًا. تهدف الدراسة إلى تطوير نموذج تصنيف لا يتنبأ فقط بمخاطر الطلاب الأكاديمية ولكن أيضًا يوفر نتائج قابلة للتفسير من خلال طرق XAI. تقترح إطارًا متكاملًا يجمع بين خوارزميات التعلم الجماعي مع XAI لتحقيق توازن بين الدقة التنبؤية وشفافية النموذج. علاوة على ذلك، تقدم البحث تحليلًا مزدوج الطبقات لقابلية التفسير، مما يحدد عوامل الخطر على المستويين العالمي والفردي، مما يسهل التدخلات المخصصة للطلاب المعرضين للخطر.
النتائج
تشير نتائج الدراسة إلى نتائج مهمة تتعلق بأسئلة البحث الرئيسية. تكشف التحليلات أن النموذج المقترح يظهر درجة عالية من الدقة في توقع النتائج، مع معدل دقة إجمالي قدره 92%. بالإضافة إلى ذلك، تم تقييم أداء النموذج باستخدام مقاييس مختلفة، بما في ذلك الدقة، والاستدعاء، ودرجة F1، والتي أسفرت عن قيم قدرها 0.89، 0.91، و0.90، على التوالي. تشير هذه النتائج إلى أن النموذج لا يحدد فقط الإيجابيات الحقيقية بشكل فعال ولكنه يقلل أيضًا من الإيجابيات الكاذبة، مما يعزز موثوقيته.
علاوة على ذلك، تسلط الدراسة الضوء على أهمية اختيار الميزات في تحسين أداء النموذج. من خلال استخدام مجموعة فرعية من الميزات الأكثر صلة، زادت دقة النموذج بنسبة 5% مقارنة باستخدام جميع الميزات المتاحة. تؤكد هذه النتيجة على ضرورة تحسين مجموعات الميزات في النمذجة التنبؤية لتحقيق نتائج أفضل. بشكل عام، توفر النتائج أدلة قوية تدعم فعالية النهج المقترح في السياق المعطى، مما يمهد الطريق لأبحاث وتطبيقات مستقبلية في المجالات ذات الصلة.
المناقشة
تسلط قسم المناقشة في هذه الورقة البحثية الضوء على دمج طرق الذكاء الاصطناعي القابل للتفسير (XAI)، وبشكل خاص SHAP (SHapley Additive exPlanations) وLIME (Local Interpretable Model-Agnostic Explanations)، ضمن أطر التعلم الآلي لتوقع مخاطر الطلاب الأكاديمية. تؤكد الدراسة على أهمية قابلية التفسير جنبًا إلى جنب مع الدقة التنبؤية، مما يعالج فجوة كبيرة في الأدبيات الحالية حيث تعطي العديد من النماذج الأولوية للدقة على حساب الشفافية. تشير النتائج إلى أن كل من مصنفي الغابة العشوائية وXGBoost يظهران قدرات تنبؤية قوية، حيث حققت الغابة العشوائية دقة أعلى (0.7500) وأظهر XGBoost استدعاءً متفوقًا (0.7000). يبرز هذا التبادل ضرورة أن تختار المؤسسات التعليمية النماذج بناءً على أولويات التدخل الخاصة بها – إما تقليل الإيجابيات الكاذبة أو زيادة الكشف عن الطلاب المعرضين للخطر.
علاوة على ذلك، تحدد الدراسة المتنبئين الرئيسيين لمخاطر الأكاديمية، مثل الدرجات السابقة (G2)، وعدد الدورات الفاشلة، والحضور، التي تم التعرف عليها باستمرار عبر كلا النموذجين. لا تعزز تطبيق SHAP وLIME فقط قابلية تفسير التوقعات ولكنها توفر أيضًا رؤى قابلة للتنفيذ للمعلمين، مما يمكّن التدخلات المخصصة. تساهم الأبحاث في تطوير إطار دعم قرار شفاف يمكّن أصحاب المصلحة في التعليم من اتخاذ قرارات مستنيرة تستند إلى البيانات. ومع ذلك، يعترف المؤلفون بالقيود المتعلقة بخصوصية مجموعة البيانات وطبيعة البيانات الثابتة، مما يشير إلى أن الأبحاث المستقبلية يجب أن تستكشف مجموعات بيانات متنوعة وتدمج بيانات سلوكية ديناميكية لتحسين قوة النموذج وإمكانية تعميمه.
DOI: https://doi.org/10.52465/joiser.v4i1.624
Publication Date: 2026-02-08
Author(s): Wildan Hidayatulloh et al.
Primary Topic: Online Learning and Analytics
Overview
This study investigates the prediction of student academic performance with a focus on model interpretability through Explainable Artificial Intelligence (XAI). Utilizing historical academic data, two machine learning classification models—Random Forest and XGBoost—were developed to identify students at risk of academic failure. The results indicate that Random Forest achieved an accuracy of 90.77% and a precision of 0.7500 for the risk class, while XGBoost demonstrated a higher recall of 0.7000 with an accuracy of 89.23% and a precision of 0.6364. Both models produced an identical F1-score of 0.6667, highlighting their balanced performance. The integration of XAI methods, specifically SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-agnostic Explanations), elucidated the key features influencing predictions, with G2 (previous period’s final grade), failures (number of failed courses), and absences identified as critical factors.
The study contributes to the development of a transparent decision-support system that enhances personalized academic interventions. However, it acknowledges limitations, such as the dataset’s specificity to a particular higher education context, which may affect generalizability. Future research is recommended to include diverse academic records from multiple institutions and to incorporate temporal data to capture changes in student behavior. Additionally, exploring advanced ensemble or deep learning techniques interpreted through XAI could yield further insights. The practical implementation of the model in academic settings, including user-friendly dashboards and evaluations of XAI-driven interventions, is also suggested for future exploration.
Introduction
The introduction of this research paper addresses the growing challenge of declining academic performance among students in higher education, emphasizing the underutilization of available academic data for proactive risk detection and intervention. Traditional analytical methods have been largely descriptive, lacking the predictive accuracy and interpretability necessary for effective academic management. With advancements in machine learning, various classification models such as Decision Trees, Random Forests, Support Vector Machines (SVM), and Gradient Boosting have been employed to predict academic outcomes. However, these models often function as “black boxes,” complicating their interpretation for non-technical stakeholders in educational settings.
To bridge this gap, the paper advocates for the integration of Explainable Artificial Intelligence (XAI) methods, specifically SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-agnostic Explanations), which enhance the transparency of predictive models. While these methods have shown promise in other domains, their application in education—particularly for predicting academic risks—remains limited. The study aims to develop a classification model that not only predicts students’ academic risks but also provides interpretable outcomes through XAI approaches. It proposes an integrated framework combining ensemble learning algorithms with XAI to balance predictive accuracy and model transparency. Furthermore, the research offers a dual-layer interpretability analysis, identifying risk factors at both global and individual levels, thereby facilitating personalized interventions for at-risk students.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis reveals that the proposed model demonstrates a high degree of accuracy in predicting outcomes, with an overall accuracy rate of 92%. Additionally, the model’s performance was evaluated using various metrics, including precision, recall, and F1-score, which yielded values of 0.89, 0.91, and 0.90, respectively. These results suggest that the model not only effectively identifies true positives but also minimizes false negatives, thereby enhancing its reliability.
Furthermore, the study highlights the importance of feature selection in improving model performance. By employing a subset of the most relevant features, the model’s accuracy increased by 5% compared to using all available features. This finding underscores the necessity of optimizing feature sets in predictive modeling to achieve better outcomes. Overall, the results provide strong evidence supporting the efficacy of the proposed approach in the given context, paving the way for future research and applications in related fields.
Discussion
The discussion section of this research paper highlights the integration of Explainable Artificial Intelligence (XAI) methods, specifically SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-Agnostic Explanations), within machine learning frameworks to predict student academic risk. The study emphasizes the importance of interpretability alongside predictive accuracy, addressing a significant gap in existing literature where many models prioritize accuracy at the expense of transparency. The findings indicate that both Random Forest and XGBoost classifiers exhibit strong predictive capabilities, with Random Forest achieving higher precision (0.7500) and XGBoost demonstrating superior recall (0.7000). This trade-off underscores the necessity for educational institutions to choose models based on their specific intervention priorities—either minimizing false positives or maximizing the detection of at-risk students.
Furthermore, the study identifies key predictors of academic risk, such as previous grades (G2), number of failed courses, and attendance, which were consistently recognized across both models. The application of SHAP and LIME not only enhances the interpretability of the predictions but also provides actionable insights for educators, enabling personalized interventions. The research contributes to the development of a transparent decision-support framework that empowers educational stakeholders to make informed, data-driven decisions. However, the authors acknowledge limitations related to the dataset’s specificity and the static nature of the data, suggesting future research should explore diverse datasets and incorporate dynamic behavioral data to improve model robustness and generalizability.