تكنولوجيا التعليم وتحليلات التعلم (الجزء الأول)

كتبها : د. مصطفى جودت صالح

لقد غيرت تكنولوجيا التعليم الطريقة التي ينظر بها إلى عملية التعليم والتعلم، وذلك عن طريق تقديم الأدوات والدراسات التي حللت كثير من جوانب عمليات التعليم والتعلم وطرق تعزيزها، فبالتكنولوجيا نعلم ونتعلم، وبالتكنولوجيا نشخص هذا التعلم ونقيسه.

ويشهد العقد الحالي ثورة في قياسات التعلم وتحليله باستخدام الوسائل التكنولوجية الحديثة وقبل هذه الثورة كان الأمر أكثر صعوبة، فإذا أراد المعلم أن يشخص صعوبات في قراءة الطفل، أو تأخر في قدراته الحسابية أو حتى التنبؤ باحتمالات الفشل الأكاديمي، كان عليه أن يستخدم براعة بشرية وخبرته الشخصية وحكمه الذاتي لهذا التشخيص. والبديل العلمي كان قيام فريق من التربويين بالتحليل الاحصائي لكم ضخم من البيانات للوصول إلى نتائج دقيقة حول الوضع الأكاديمي وأسباب التأخر أو الفشل، لكن مع ظهور تحليلات التعلم Learning Analytics، تغير كل ذلك.

على جانب آخر أدي الانتشار لشبكات المعلومات والبيئات الرقمية بشكل عام إلى تضخم حجم المعلومات الناتجة عن التفاعل مع هذه البيئات بشكل عام بصورة ضخمة، مما جعل من قضية البيانات الضخمة قضية شديدة الأهمية، من حيث أهمية وجودها وإمكانات الاستفادة منها. وعندما نتحدث عن البيانات الضخمة، فإننا نتحدث عن كميات لا يمكن تخيلها من البيانات متعددة الأنواع والمصادر بحجم يصل إلى المئات من التيرابايت أو حتى البيتابايت (البيتابايت هو الرقم واحد متبوعا بـ 15 صفر). كما أن شركة IBM تتحدث عن 2.5 كوينتيليون بايت من البيانات كل يوم (الكوينتيليون هو الرقم واحد متبوعا بـ 18 صفرا)، ومع التفاعل المتزايد مع بيئات التعلم الرقمية في صوره المتعددة شهد الميدان التربوي تراكم كم ضخم من البينات تحتاج لمن يفحصها ويحللها ويستفيد منها في تحسين فرص التعلم وزيادة كفاءة بيئات التعلم بشكل عام.

التنقيب عن البيانات التعليمية (EDM) وتحليلات التعلم (LA)

ثمة سؤال يطرح نفسه بخصوص البيانات الضخمة الناتجة عن التفاعل مع بيئات التعلم الرقمية  في ظل وجود حقيقة تشير إلى أن المعلومات المنظمة من هذه البيانات لا تشكل إلا جزءً ضئيلاً يصل إلى 10% مقارنه بالمعلومات غير المنظمة والتي تشكل الباقي. ذلك أدي إلى ازدياد الحاجة إلى تطوير أدوات تمتاز بالقوة لتحليل البيانات واستخراج المعلومات والمعارف منها، فالأساليب التقليدية والإحصائية لا تستطيع أن تتعامل مع هذا الكم من الهائل لذا تستخدم أدوات ذكية لمعالجة هذه البيانات.

ظهر التنقيب في البيانات (Data mining) في أواخر الثمانيات وأثبت وجوده كأحد الحلول الناجحة لتحليل كميات ضخمة من البيانات، وذلك بتحويلها من مجرد معلومات متراكمة وغير مفهومة (بيانات) إلى معلومات قيِّمة يمكن استغلالها والاستفادة منها بعد ذلك.

يهدف مجال التنقيب عن البينات التعليمية Educational Data Mining (EDM) إلى تطوير الأساليب والتطبيقات التي من شأنها تحيل البينات التي يتم تجميعها من خلال عملية التدريس وصولا إلى استخلاص الحقائق والتوقعات.

لقد ظهر مجال التنقيب عن البيانات التعليمية كمجال بحثي مع مجموعة من الأساليب البحثية والنفسية لفهم كيفية تعلم الطلاب. فلقد أتاحت طرق وأدوات التعلم التفاعلية الجديدة المدعومة بالكمبيوتر -كأنظمة الإرشاد الذكي، والمحاكاة، والألعاب التعليمية -فرصًا لجمع بيانات الطلاب وتحليلها، وصولا لاكتشاف الأنماط والاتجاهات المؤثرة في عملية التعلم استنادا إلى البينات المجمعة، ويدعم التنقيب عن البينات التعليمية الوصول إلى اكتشافات جديدة واختبار فرضيات حول كيفية تعلم الطلاب، والتي يجاب عنها عبر الوصول إلى بيانات تؤيد تلك الفرضيات أو تعارضها. كما يمكن لخوارزميات استخراج البيانات العديدة أن تبحث في هذا الكم من البيانات الضخمة والمتراكمة عبر عقد من الزمان للوصول إلى معلومات ذات معنى حول تطور نظم التعلم وكفاءتها على سبيل المثال.

وتهدف البحوث التي تستخدم تكنولوجيا التنقيب على البيانات التعليمية إلى :

1. توقع السلوك التعليمي للطلاب في المستقبل من خلال إنشاء نماذج للطلاب تضم معلومات مفصلة مثل معرفة الطلاب ودوافعهم وما وراء معرفتهم ومواقفهم؛

2. اكتشاف أو تحسين نماذج المجال التي تميز المحتوى المراد تعلمه والتسلسلات التعليمية المثلى

3. دراسة آثار أنواع الدعم التربوي المختلفة التي يمكن توفيرها بواسطة برامج التعلم

4. النهوض بالمعرفة العلمية عن كل من التعلم والمتعلمين من خلال بناء نماذج حسابية تتضمن نماذج الأداء.

ويتم توظيف النقيب عن البيانات التعليمية EDM حاليا في اختبار النظريات والممارسات التعليمية على أرض الواقع في حين تطبق تحليلات التعلم LA تقنيات مشتقة من علم المعلومات وعلم الاجتماع وعلم النفس والإحصاء والتعلم الآلي والتنقيب عن البيانات لتحليل البيانات التي يتم جمعها آليا عبر أنظمة إدارة التعلم مما يؤثر بشكل مباشر على الممارسة التعليمية.

التنقيب عن البيانات التربوية في مقابل تحليلات التعلم ، الاتفاق والاختلاف :

عندما نتحدث عن تحليلات التعلم LA فنحن نتحدث ضمنا عن البيانات فعملية التحليل تعتمد على مدخلات هي البيانات وطالما أن المدخلات لعملية التحليل هي بيانات ضخمة فإن البحث والتنقيب عن هذه البيانات واستخراجها من سياقها ستكون مهمة أساسية لازمة لنجاح عملية التحليل. حيث يركز التنقيب عن البيانات التعليمية EDM على تطوير أدوات وخوارزميات جديدة لاكتشاف أنماط البيانات ، بينما تركز تحليلات التعلم على تطبيق الأدوات والتقنيات على مستويات أكبر في الأنظمة التعليمية للخروج بتعميمات ونتائج نتعلم منها ونحسن بها قراراتنا التعليمية.

تحليلات التعلم والبيانات الضخمة:

تنطوي تحليلات التعلم على استخدام تكنولوجيا تحليل البيانات الضخمة Big Data Analysis لفهم وتحسين أداء المؤسسات التعليمية في تقديم التعليم. حيث تستخدم تحليلات التعلم قياسات لأنشطة التعلم على شبكة الإنترنت وإعداد تقارير حول تعلم الطلاب بهدف مساعدة المعلمين على تحسين اكتساب معارفهم ومهاراتهم مما يزيد من إمكانات تعلم الطلاب مع تعزيز أساليب التدريس والتعليم. وعلى الرغم من أن تطبيق تحليلات التعلم في مجال التعليم جديد نسبياً، إلا أن عددا من التخصصات العلمية تستخدمه لأكثر من أربعين عاماً، وقد ولدت عملية التوسع في استخدام تحليل بيانات التعلم من خلال التكنولوجيا المتقدمة في معالجة البيانات الضخمة، والإمكانات الحديثة في تتبع بيانات المتعلمين أثناء استخدام الإنترنت، وتوفر عملية تحليل البيانات الضخمة عديدا من الفوائد التي من شأنها مساعدة المربين والطلاب في تحسين ظرف التعلم ومخرجاته.

وتقدم مؤسسات التعليم المفتوح والتعلم عن بعد سياقًا مثاليًا لاستخدام عمليات تحليل التعلم، فمع أعداد الطلاب الضخمة والاستخدام المتزايد للإنترنت والتكنولوجيات المتنقلة، أصبح لدينا كمية كبيرة جدًا من البيانات المتاحة للتحليل مما يعطي قدرة متزايدة على توقع الصعوبات أو المشكلات التي قد تواجه عملية التعلم.

تتضمن تحليلات التعلم استخدام مجموعة واسعة من البيانات والتقنيات الخاصة بتحليلها كالاختبارات الإحصائية والنماذج التوضيحية والتنبؤية وتمثيل البيانات. ويسمح تطبيق هذه التقنيات لعديد من الأفراد المهتمين بمتابعة العملية التعليمية مثل المشرفين، وأعضاء هيئة التدريس ، والطلاب ، أن يتصرفوا بعد ذلك على أساس نتائج هذه التحليلات المعتمدة على كم كبير من البيانات التي تم تجميعها من كافة مراحل العملية التعليمية.

ورغم أن هذا المجال البحثي يعد مجال ناشئ أو حديث نسبيا إلا أنه شهد اهتماما متزايدا في نشر البحوث الأكاديمية التي تستخدم أساليب التحليل في استشراف النتائج أو محاولة حل المشكلات، وقد كانت أكثر البيانات محل التحليل تعود إلى مصادر أساسية مثل نتائج التقويم النوعي للتعلم أو ما يعرف بالـ qualitative evaluation،  والبيانات الناتجة عن المقاييس الكمية، قياس الفروق بين المجموعات المختلفة من الطلاب ، والفروق بين بيئات التعلم، وتحليل نتائج بحوث الفاعلية، فضلا عن تحليل الأدوات البحثية التقليدية كالاستبانات والمقابلات، وتتبع سلوك الطلاب من قبل الخبراء، وتحليل حركات العين أثناء التفاعل مع الحاسب، بالإضافة إلى ما تقدم فإن ثمة مشروعات رائدة استخدمت تحليل الأنشطة على الشبكات الاجتماعية وقياس العبارات الواردة في سياق برامج المحادثة النصية ، وثبر بيانات Data Mining المواقع والصفحات التعليمية بما في ذلك الأسئلة الأكثر طرحا، وتحليل بيانات محركات البحث.

ويمكن بشكل عام الإشارة إلى أن ثمة ثورة في البحوث الاستشرافية في التعليم التي تعتمد على تحليل البينات الضخمة للمتعلمين وأنشطتهم عبر الإنترنت مما أعطى مؤشرات هامة ساعدت على توجيه مشروعات تحسين التعليم، وتوجيه الطلاب وإرشادهم ، وبناء البرامج الدراسية استنادا لحاجة سوق العمل واحتياجات المجتمع ، وتوجيه البحوث الأكاديمية والدراسات الكيفية وتحسين بيئات التعلم، لكن على جانب آخر فإن هذه الثورة أوجدت تحديات تمثلت في مصداقية النتائج ومدى ارتباطها بنظريات التعلم ونماذجه ، و قواعد أخلاقية مثل الخصوصية والعدالة والحق في التعليم .

لكن ورغم الاهتمام المتزايد بتحليلات التعلم إلا أنه لا يمكن تحديد منهجية محددة لتطبيقها أو لتوظيف محدد لأساليب المستخدمة فيها، مما يقودنا إلى سؤالين هامين:

ما مدى موثوقية النتائج المترتبة على عمليات تحليل التعلم؟

كيف يمكننا الاعتماد على تحليلات التعلم في دعم التعلم المؤسسي؟

تحليلات التعلم وتحديد احتمالات تسرب الطلاب.

إن من السهل عبر التحليل الاحصائي لنتائج الطلاب الحكم على معدل الكفاءة الأكاديمية في أي مدرسة في مرحلة التعليم قبل الجامعي ومع ذلك، فإن هذا الرقم يعطي المعلمين القليل جدًا من المعلومات حول ما يمكنهم فعله بشكل مختلف لإشراك الطلاب بفاعلية. لكن بعد ما أصبحت الأساليب الحديثة لتحليلات البيانات أكثر دقة وتفصيلاً، أصبح يمكن للمعلمين والمسؤولين البدء في إنشاء صورة أوضح عن طلابهم واحتمالات النجاح والفشل.

على سبيل المثال، قد يتمكن المسئولون التربويون في المستقبل القريب من تحديد المؤشرات الأساسية التي تشير إلى أن الطالب على حافة فشل دراسي وترك المدرسة تمامً، لذا فمن خلال تقديم الدعم الأكاديمي في الوقت المناسب، قد يتمكن المعلمون من المساعدة في منع الطلاب من التسرب مما ينعكس بدورة على أعداد الطلاب الذين يكملون المراحل الدراسية المختلفة وجودة المنتج.

إن مشكلة التسرب مشكلة عالمية تعاني منها أغلب دول العالم حتى المتقدم منها كبعض الولايات الأمريكية على سبيل المثال، وكان المعتقد في السابق أن السبب الرئيسي للتسرب هو الفقر والحاجة لإدخال الأطفال إلى سوق العمل، لكن من خلال تحليل نتائج آلاف الدراسات الميدانية ودراسات الحالة تظهر أنها لا تقتصر فقط على ما تقدم بل تؤدي عوامل اجتماعي ودينية وثقافية إليها كذلك، كما أن عدم ملائمة البرامج الدراسية وبعض الأنظمة التعليمية قد تعزز هذه المشكلة والتي لا يمكن للتشريعات والقوانين فقط أن تحد من تفاقمها.

إن ثمة مؤشرات سابقة للانقطاع عن الدراسة ظهرت للحالات التي تم تحليلها يمكن أن تعطي أملا في التوقع المسبق للحالات الأكثر عرضة للتسرب والأسباب في ذلك مما يمكن المدرسة من اتخاذ الإجراءات المناسبة التي من شأنها الحد من فرص التسرب والعمل على التغلب على هذه المشكلة.

دعم تطوير الأنظمة التعليمية.

بشكل عام، تُظهر التقنية المتقدمة وتحليلات البيانات كيف يتعلم الطلاب بشكل أفضل، مما يمنحهم الفرصة لممارسة مهاراتهم بقدرة أكثر وضوحًا. مع تطور التكنولوجيا بشكل أكبر، يكتسب الطلاب المزيد من الفرص لتجارب التعلم العملي. يمكن أن تؤدي فرصة ممارسة مهاراتهم بطريقة ملموسة إلى تحقيق نجاح أكبر في موقع العمل في المستقبل. في الوقت الذي يتخرجون فيه، يكون لديهم المزيد من الممارسة لاتخاذ القرارات التي تؤدي إلى تفاعلات مهنية ناجحة.

تعد تحليلات البيانات بإجراء تغييرات كبيرة على طرق التدريس وأدواته في التعليم قبل الجامعي K-12 في السنوات القادمة. والآن، يستخدم المعلمون والإداريون هذه المعلومات لصياغة تعليم ذي معنى وطويل الأمد يمكن أن يترجم إلى درجات أعلى من النجاح الأكاديمي. هذه الإحصاءات مفيدة لمتخذ القرار التعليمي، وتقلل إلى حد بعيد من الإخفاقات التي قد يتعرض لها تطبيق أي تطوير في النظام التعليمي.

تحسين بيئات التعلم.

لعل أحد أكبر ثمار تحليلات التعلم التي استفاد منها مجال تكنولوجيا التعليم هو تحسين بيئات التعلم الرقمية، فقياس قبول المستخدمين على سبيل المثال لم يعد يقتصر على استبانات غير دقيقة، بل أصبح يرتبط بمؤشرات أكثر دقة وأكثر تغطية ترتبط بتحليل سلوك المستخدمين وتفضيلاتهم أثناء تفاعلهم مع بيئات التعلم. ويعتبر رسم الخرائط الحرارية لواجهات التفاعل للأنظمة المختلفة أحد الأمثلة على قياس مدى سهولة الاستخدام وإقبال المستخدمين على أدوات بعينها داخل بيئة التعلم والتي تقترن بتطبيق تقنيات أخرى تمكن من رسم هذه الخرائط مثل تتبع حركة العين وتتبع نقاط التفاعل بمؤشر الفأرة وغيرها.

وليس من المبالغة أن تحليل حركة المستفيدين ورسم الخرائط الحرارية تستخدم حاليا في تحسين بيئات التعلم التقليدية كالمكتبات والمعامل في المدارس وتنظيم الصفوف الدراسية وقاعات العرض المرئي والتحقق من مخارج الطوارئ في المنشآت التعليمية وغيرها كثير من التطبيقات.

تنامي التعلم الموجه بالبيانات Data-Driven Learning  والتقويم المعتمد على البيانات:

يركز التعلم الموجه للبيانات على ربط القرار التعليمي في مستوياته المختلفة بنتائج تحليل البيانات المرتبطة والتي يمكن أن تدعم متخذ القرار سواء كان فردا أو نظاما آليا ، بينما يمثل التقويم المعتمد على البينات محاولة لجعل التقويم أكثر شمولا ومصداقية بربطه بكافة بينات أداء الطالب على مدار دراسته وليس فقط في أدائه للاختبارات.

ويوظف علم تحليلات التعلم – الناشئ – الطرق الاحصائية الإحصائية وأساليب التنقيب عن البيانات للتعرف على التحديات التي تواجه العملية التعليمية بشكل مبكر، ويعمل على تحسين نتائج الطلاب، إلى جانب تخصيص خبرات التعلم. ومع التطورات الأخيرة في التعلم عبر الإنترنت على وجه الخصوص، وتوافر كم هائل من البيانات الناتجة عن تفاعل الطلاب والتي يمكن أن توفر نظرة أكثر شمولاً على فرص تعلمهم، تستخدم عديد من الجامعات حاليًا ما يسمى بلوحات المعلومات Dashboards، وهي إحدى ميزات العديد من أنظمة إدارة التعلم التي توفر لكلٍ من الطلاب والمدرسين نظرة عامة على هذه البيانات، كطريقة لتحسين أداء الطلاب وإضفاء طابع شخصي على خبرات التعلم المقدمة لهم. يمكن لهذه الأنواع من الأدوات تزويد الطلاب بوسائل لفهم تقدمهم ويمكنهم مساعدة المعلمين على تحديد الطلاب المعرضين لخطر الفشل في الصف وتقديم خدمات الدعم المناسبة قبل رسوب الطالب. ومن الأنظمة التجاري التي تقدم مثل هذه اللوحات نظام Blackboard في إصداره الأخير Ultra والذي حدثنا إليه في جامعة الملك سعود خصيصا للمساعدة على تحليل بيانات أداء الطلاب عبر النظام، ونظام  Desire2Learn كذلك أما مستخدمي MOODLE فيمكنهم تثبيت SmartKlass  للحصول على لوحة معلومات خاصة بهم.

مصادر :

Big Data Analysis and Deep Learning Applications – Proceedings of the First International Conference on Big Data Analysis and Deep Learning(2019) | Thi Thi Zin | Springer. . . Retrieved from https://www.springer.com/la/book/9789811308680

Billy Tak Ming Wong, (2017) “Learning analytics in higher education: an analysis of case studies”, Asian Association of Open Universities Journal, Vol. 12 Issue: 1, pp.21-40, https://doi.org/10.1108/AAOUJ-01-2017-0009

Data Analytics and Learning – Proceedings of DAL 2018 , P. Nagabhushan , Springer. . . Retrieved from https://www.springer.com/la/book/9789811325137

DMello, S. K., Calvo, R. A., & Olney, A. (2013). Proceedings of the International Conference on Educational Data Mining (EDM) (6th, Memphis, TN., USA, July 6-9, 2013).

Editorial Team. (2019, January 02). How Can Educational Data Mining and Learning Analytics Improve and Personalize Education? Retrieved from http://edtechreview.in/trends-insights/insights/389-data-mining-and-learning-analytics-improving-education

Johnson, L., Becker, S. A., Estrada, V., & Freeman, A. (2014). The NMC Horizon Report: 2014. Distributed by ERIC Clearinghouse. http://cdn.nmc.org/media/2014-nmc-horizon-report-he-EN-SC.pdf

Lai, F., Lehman, J. D. (Eds.) (2017) Learning and Knowledge Analytics in Open Education – Selected Readings from the AECT-LKAOE 2015 Summer International Research Symposium | Feng-Qi Lai | Springer. Retrieved January 02, 2019, from https://www.springer.com/la/book/9783319389554

Larusson, J. A. (2019) Learning Analytics – From Research to Practice , Springer. Retrieved January 01, 2019, from https://www.springer.com/la/book/9781461433040

Pechenizkiy, M., Calders, T., Conati, C., Ventura, S., Romero, C., & Stamper, J. (2011). Proceedings of the International Conference on Educational Data Mining (EDM) (4th, Eindhoven, the Netherlands, July 6-8, 2011)

Sayed-Mouchaweh, M. (2019). Learning from Data Streams in Evolving Environments: Methods and Applications. Cham: Springer International Publishing.

Stamper, J., Pardos, Z., Mavrikis, M., & McLaren, B. M. (2014). Proceedings of the Seventh International Conference on Educational Data Mining (EDM) (London, United Kingdom, July 4-7, 2014).