تمهيد
تسعى المؤسسات التعليمية إلى زيادة برامجها التعليمية المتميزة، غير أن هذه البرامج ترفع كلف المؤسسات ونفقاتها وتستهلك جانبًا كبيرًا من ميزانياتها، وبالتوازي يتزايد اهتمام هذه المؤسسات بالاحتفاظ بطلابها داخل برامجهم دون خفض المعايير التعليمية أو جعل التعلم صعبًا عليهم، وهي معادلة دقيقة بين الجودة والكلفة واستمرارية الطلبة
وتتطلب هذه المعادلة أدوات قرار تتجاوز الخبرة الفردية، فالتنبؤ المبكر بأداء الطالب قبل التحاقه أو في بواكير دراسته يمكّن المؤسسة من التدخل الاستباقي، سواء بضبط معايير الاختيار أو بتوجيه الدعم إلى من تُنذر مؤشراتهم بالتعثر، وبذلك تتحول البيانات التاريخية المتراكمة في سجلات القبول والدرجات من أرشيف ساكن إلى أصل معرفي يخدم التخطيط
وفي هذا السياق تتيح البيانات الضخمة للجامعات التنبؤ بنواتج الطلبة المستقبلية بدقة أكبر، فمن خلال سجلات الأداء الأكاديمي المتراكمة يمكن بناء نماذج تنبؤية تحذر مبكرًا من التعثر وتوجه قرارات القبول والدعم، وهو ما تحاول هذه الدراسة توظيفه في مؤسسات أكاديمية طبية عبر التعلم الآلي المؤتمت
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تحديد أفضل الخوارزميات وأكثرها دقة لتمكين التنبؤ بالأداء الأكاديمي للطلبة، بما يتيح لصانعي القرار في كليات القطاع الطبي تعديل أنظمة القبول وأساليب اختيار الطلبة اعتمادًا على الإحصاءات والدرجات المتاحة خلال السنوات الخمس الأخيرة
وتكون مجتمع الدراسة من الطلبة المسجلين في مقرر أكاديمي بجامعة دمياط في مصر بين عامي 2016 و2021، وبلغ حجم عينة الدراسة بعد المعالجة المسبقة للبيانات 461 سجلًا طلابيًا، وأُجريت الدراسة في مؤسسة أكاديمية تابعة لجامعة دمياط، ووظفت التعلم الآلي المؤتمت لبناء نماذج التنبؤ ومقارنة الخوارزميات المرشحة على بيانات الأداء والدرجات التاريخية المتاحة
ويقوم منطق التعلم الآلي المؤتمت على أتمتة خطوات بناء النماذج التنبؤية ومقارنتها واختيار الأنسب بينها وفق الدقة، بما يختصر حاجة المؤسسة إلى فرق متخصصة نادرة في علم البيانات، ويجعل مقارنة الخوارزميات المرشحة إجراءً منهجيًا محكومًا بمعيار أداء معلن على بيانات الدراسة نفسها، لا اختيارًا انطباعيًا لأسلوب شائع أو مألوف لدى المنفذين
ثانيًا: أبرز النتائج
أسست الدراسة إطارها التنبؤي على قاعدة بيانات فعلية مكونة من 461 سجلًا طلابيًا بعد المعالجة المسبقة، مستخرجة من طلبة مقرر أكاديمي بجامعة دمياط عبر ست سنوات دراسية من 2016 إلى 2021، وهو ما يمنح النماذج المبنية عليها أساسًا زمنيًا ممتدًا يرصد تباين الأداء عبر دفعات متعاقبة لا دفعة واحدة
كما أن اعتماد الدراسة على سجلات مؤسسة أكاديمية واحدة تابعة لجامعة دمياط يجعل نماذجها مضبوطة على خصائص تلك البيئة وبياناتها، وهو ضبط مقصود يرفع دقة التنبؤ داخل السياق المستهدف الذي ستُتخذ فيه قرارات القبول فعلًا
ويرتكز تصميم الدراسة على توظيف الإحصاءات والدرجات المتاحة في السنوات الخمس الأخيرة مدخلاتٍ للتنبؤ بالأداء الأكاديمي، بما يجعل الاختيار بين الخوارزميات محكومًا بالدقة التنبؤية على بيانات حقيقية من البيئة نفسها التي ستُستخدم فيها النماذج، لا على افتراضات نظرية عامة عن أفضلية خوارزمية على أخرى
ثالثًا: دلالات الدراسة وتطبيقاتها
تكمن دلالة الدراسة في ربطها التنبؤ بالأداء الأكاديمي بقرارات مؤسسية مباشرة، فحين تتمكن كليات القطاع الطبي من توقع نواتج الطلبة بدقة، تصبح قادرة على تعديل أنظمة القبول وأساليب الاختيار بما يرفع فرص نجاح المقبولين ويحد من التعثر والانسحاب، وهو ما يعالج في آن واحد هاجسي الكلفة والاحتفاظ بالطلبة اللذين أثارهما سياق الدراسة
كما يقدم توظيف التعلم الآلي المؤتمت نموذجًا عمليًا للمؤسسات التعليمية ذات الموارد التحليلية المحدودة، إذ يختصر خبرة بناء النماذج ومقارنتها في إجراءات مؤتمتة، وتبقى قيمة هذا النموذج مرتبطة بجودة البيانات التاريخية وحداثتها، فالتنبؤ الجيد يبدأ من سجلات دقيقة ومكتملة
وتتصل دلالة الدراسة أيضًا بطبيعة القطاع الذي تستهدفه، فكليات القطاع الطبي ذات كلفة تشغيل مرتفعة ومقاعد محدودة، وأي تحسين في دقة اختيار المقبولين ينعكس مباشرة على كفاءة إنفاق الموارد وجودة المخرجات، ما يجعل توظيف التنبؤ بالأداء في قرارات القبول استثمارًا مؤسسيًا تتجاوز عوائده حدود الشؤون الأكاديمية إلى جودة الخدمة التي يقدمها القطاع ذاته مستقبلًا
وخلاصة القول إن الدراسة وظّفت التعلم الآلي المؤتمت للتنبؤ بالأداء الأكاديمي لطلبة جامعة دمياط اعتمادًا على 461 سجلًا من أعوام 2016 إلى 2021، بهدف تحديد أدق الخوارزميات وتمكين صانعي القرار في كليات القطاع الطبي من تطوير أنظمة القبول واختيار الطلبة على أسس بياناتية موثقة
