يتسع استخدام النماذج التنبؤية في التعليم مع توافر بيانات دقيقة عن تفاعل الطلاب مع بيئات التعلم الرقمية، غير أن دقة هذه النماذج وحدها لا تكفي إذا جاءت قراراتها متحيزة ضد فئات من الطلاب، ومن هذا المنطلق تناولت هذه الدراسة أداء النماذج المصممة للتنبؤ بأداء الطلاب في برمجة علم البيانات وإنصافها، مستخدمة بيانات سجل مفصلة لطلاب يحلون مهام في علم البيانات داخل بيئة تعلم مخصصة، لتجمع بين سؤالين متلازمين، هما مدى دقة التنبؤ بالأداء، ومدى عدالة هذا التنبؤ بين مجموعات الطلاب المختلفة حين تتفاوت فرصهم في الوصول إلى أدوات الذكاء الاصطناعي المساندة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى بناء نماذج تنبؤية لأداء الطلاب في مهام برمجة علم البيانات اعتمادًا على بيانات السجل الدقيقة المستخرجة من تفاعلاتهم أثناء حل المهام، ومقارنة أداء هذه النماذج من حيث الدقة، وتحديد المتغيرات الأكثر إسهامًا في التنبؤ عبر تحليل أهمية المتغيرات، كما هدفت إلى تقويم إنصاف النماذج بالتركيز على متغير إتاحة روبوت المحادثة للطالب من عدمها، وما إذا كانت النماذج تنتج توزيعات درجات أدنى للمجموعة الأقل امتيازًا التي لا يتاح لها الوصول إلى الذكاء الاصطناعي، ثم اختبار تقنيات عدة للتخفيف من هذا التحيز ورصد أثرها في مؤشرات الإنصاف
وشملت التقنيات المختبرة للتخفيف من التحيز إعادة أخذ العينات وإعادة الترجيح وطريقة محور منحنى خصائص التشغيل، كما درست إمكانية استخدام طريقة حد القطع مع ثبات بقية العوامل بديلًا لتقليل فقدان التكافؤ بين المجموعات، وبذلك جمعت الدراسة بين تقويم الأداء التنبؤي وتقويم الإنصاف في إطار تحليلي واحد يراعي البعدين الكمي والأخلاقي للنمذجة التعليمية، ويختبر قابلية الحلول المقترحة للتطبيق الفعلي في بيئات التعلم الرقمية
ثانيًا: أبرز النتائج
أظهرت النتائج أن نموذج الانحدار اللوجستي تفوق على النماذج الأخرى من حيث الدقة في التنبؤ بأداء الطلاب، وكشف تحليل أهمية المتغيرات أن متغير لصق الإجابة برز متنبئًا حاسمًا في نموذجي الانحدار اللوجستي ومصنف الجيران الأقرب، في حين أسهمت متغيرات متعددة بالتساوي في القوة التنبؤية لنموذج بايز الغاوسي الساذج، وفي جانب الإنصاف وجدت الدراسة أدلة على التحيز، إذ أظهرت النماذج توزيعات درجات أدنى للمجموعة الأقل امتيازًا التي لا يتاح لها الوصول إلى روبوت المحادثة، وعند اختبار تقنيات التخفيف تبين أن إعادة الترجيح وحدها حسنت مؤشرات الإنصاف تحسينًا دالًا، دون أن تحقق التقنيات الأخرى الأثر نفسه بهذه الدرجة
ثالثًا: دلالات الدراسة وتطبيقاتها
تؤكد الدراسة أهمية تقويم الإنصاف في النمذجة التنبؤية التعليمية بوصفه جزءًا أصيلًا من تقويم النموذج لا إضافة لاحقة عليه، فالنموذج الدقيق قد يعيد إنتاج فجوات قائمة إذا تدرب على بيانات تعكس تفاوت فرص الطلاب في الوصول إلى أدوات الذكاء الاصطناعي، وتقدم الدراسة مقاربة دقيقة قائمة على البيانات لتقويم مهارات الطلاب في برمجة علم البيانات تراعي الدقة والإنصاف معًا، وتفيد مصممي أنظمة التعلم ومحللي البيانات التعليمية في الانتباه إلى متغيرات سلوكية دقيقة مثل لصق الإجابة عند بناء النماذج، وفي اختيار تقنيات معالجة التحيز المثبتة أثرًا مثل إعادة الترجيح عند توظيف النماذج في قرارات تعليمية تمس فرص الطلاب ومساراتهم
وتكتسب هذه النتيجة وزنها من أن متغير إتاحة روبوت المحادثة لم يعد هامشيًا في بيئات التعلم المعاصرة، إذ يتسع توظيف المساعدات الذكية في التدريس والتعلم الذاتي وحل الواجبات، فإذا بنيت النماذج التنبؤية على بيانات تولدت في ظل إتاحة غير متكافئة لهذه الأدوات، فإن أحكامها قد تعاقب من حرموا منها بدل أن تقيس قدراتهم الفعلية في البرمجة وحل المشكلات، ومن هنا تدعو الدراسة ضمنيًا إلى مراجعة مصادر البيانات التعليمية وظروف توليدها قبل توظيفها في نماذج تنبؤية، وإلى إدخال فحوص الإنصاف ضمن إجراءات اعتماد النماذج في المؤسسات التعليمية، بحيث لا يعتمد نموذج لمجرد دقته الإحصائية دون فحص آثاره التفاضلية في فئات الطلاب ومجموعاتهم
وخلاصة القول إن التنبؤ بأداء الطلاب في برمجة علم البيانات ممكن بدقة جيدة عبر نماذج تعلم آلي في مقدمتها الانحدار اللوجستي، غير أن قيمة هذا التنبؤ تظل منقوصة ما لم يقترن بفحص منهجي للإنصاف ومعالجة للتحيز، وهو الدرس الأبرز الذي تقدمه هذه الدراسة لحقل تحليلات التعلم والذكاء الاصطناعي في التعليم
