التعليم الموجه بالبيانات Data-Driven Instruction وبيئات التعلم الذكية.

إننا نعيش في “عصر التوجيه بالبيانات data-driven era” فكلما تفاعلنا مع أي نظام إلكتروني في بيئتنا المحيطة أو حتى شبكات التواصل الاجتماعي يتم إنشاء بيانات جديدة باستمرار في كل لحظة. مما أوجد حاجة متنامية لإدارة هذه الكمية الهائلة والمتنامية بسرعة من البيانات من خلال طريقة فعالة لإنتاج معلومات مفيدة موجهة لدعم اتخاذ القاررات البشرية لحل المشكلات الحالية والمستقبلية والتخطيط وتحسين الممارسات وكذلك لتوليد معرفة جديدة للجيل المستقبلي. نتيجة لذلك ، تقوم المؤسسات على مستوى العالم باستثمارات كبيرة لاستكشاف كيفية الاستفادة بشكل أفضل من البيانات الضخمة وتنويعها لخلق رؤى ذات قيمة وقابلة للتنفيذ.

لقد نشأ هذا مصطلح ” التعليم الموجه بالبيانات Data-Driven Instruction في سياق التعليم الأمريكي في العقد الأخير من القرن العشرين، عندما أصبحت التكنولوجيا الحديثة وقواعد البيانات الإلكترونية متاحة بشكل أوسع في المدارس. وقبل نشوء هذا المصطلح كانت القرارات التعليمية تعتمد بشكل رئيسي على تقييم المعلمين للطلاب وتجربتهم الشخصية في الصف. وكذلك تقييم مديري المؤسسات التعليمية للتقارير المرفوعة من المعلمين وخبرتهم الشخصية، ومع ذلك، وكان القرار التعليمي مرتبط إلى حد كبير بالرؤية الشخصية. لكن مع التطور التكنولوجي تغير هذا المنهج وأصبح من الممكن الآن جمع بيانات مفصلة عن عناصر المنظومة التعليمية وتحليلها لتحديد النقاط القوية والضعف. ويمكن استخدام هذه البيانات لتحسين التعليم في الفصول الدراسية واتخاذ القرارات التعليمية على مستوى المؤسسات التعليمية والتخطيط الاستراتيجي للتعليم على المستوى الوطني.

يعد التعليم الموجه بالبيانات Data-Driven Instruction واحدًا من أهم الاتجاهات التي تتبعها عديد من المدارس والمؤسسات التعليمية في الوقت الحالي، وذلك لأنه يساعد في تحسين جودة التعليم وتحسين نتائج التعلم للطلاب. ومن أجل ضمان فاعلية التعليم الموجه بالبيانات، تم استخدام التكنولوجيا مثل الذكاء الاصطناعي AI لإدارة التعليم الإلكتروني بشكل أفضل. يتناول المقال الحالي مفهوم التعليم الموجه بالبيانات ومنهجيته ومستويات تطبيقها، فضلا عن أهم الأنظمة المستخدمة في تحليل البيانات التعليمية وعلاقة ذلك بمفاهيم مثل البيانات الكبرى وبيئات التعلم الذكية ونظم إدارة التعلم الموجهة بالبيانات .

التعليم الموجه بالبيانات: الهدف والمنهجية.

يعتبر التعليم الموجه بالبيانات Data-Driven Instruction منهجًا تعليميًا يعتمد على تحليل البيانات الخاصة بالطلاب واستخدامها لتحسين جودة التعليم وتحسين نتائج التعلم للطلاب. ويتم ذلك من خلال جمع البيانات الخاصة بالطلاب وتحليلها واستخدامها لتحديد النقاط الضعيفة والقوية في التعليم وتحديد الأساليب الأكثر فاعلية في تعليم الطلاب.

ويمكن تحقيق هذا الهدف من خلال استخدام أدوات التقييم المختلفة مثل الاختبارات والاستبيانات وتحليل الأداء الأكاديمي للطلاب، ومن ثم استخدام هذه البيانات لتحديد الأساليب الأكثر فاعلية في تعليم الطلاب وتحسين جودة التعليم.

ويتم ذلك من خلال تحليل البيانات الخاصة بالطلاب وتقسيمها إلى فئات مختلفة، مثل الطلاب الذين يعانون من صعوبات في التعلم والطلاب الذين يحتاجون إلى تحديد الأساليب الأكثر فاعلية في تعليمهم. ولتحقيق هذا الهدف، يتم استخدام أدوات التعليم الموجه بالبيانات Data-Driven Instruction مثل نظام الإدارة الطلابية وأدوات التحليل الإحصائي وغيرها من الأدوات المتخصصة.

وتختلف استراتيجية التعليم الموجه بالبيانات على مستوى الصف الدراسي عن مستوى المؤسسة التعليمية أو المستوى الوطني في العديد من الجوانب. فعلى مستوى الصف الدراسي، يتم جمع البيانات وتحليلها لفهم أداء الطلاب وتحديد الأساليب الأكثر فعالية لتعليمهم. يتم تحديد النقاط القوة والضعف في الأداء الطلابي وتحديد المهارات التي يجب تعزيزها. ويمكن للمعلمين استخدام هذه المعلومات لتخصيص الدروس والأنشطة التعليمية والواجبات المنزلية لمساعدة الطلاب على تحقيق أفضل أداء. وغالبا ما يتم ربط أداء الطالب في عدة مقررات ومقارنة أداء الطلاب في مقرر ما مع مقررات أخرى يدرسها الطلاب في نفس الصف لتحديد فاعلية اسلوب التدريس على مستوى المقرر، ودراس نقاط القوة والضعف على مستوى الطالب ومن ثم توجيهه بشكل فعال. وغالبا لا يحتاج المعلم على مستوى الصف الدراسي استخدام أنظمة خارجية معقدة لتحليل البيانات بل يستخدم الأنظمة المتاحة في نظام إدارة التعلم LMS المدعوم بمدرسته أو مؤسسته التعليمية والذي يرمز إليهA4L وهو ليس نظاما واحدا بل يختلف باختلاف نظام إدارة التعلم وهو يتيح خدمات وقوالب تحليل جاهزة معدة لاستخدام المعلم.

أما على مستوى المؤسسة التعليمية، فإن أنظمة تحليل التعلم A4L يمكن استخدامها كذلك لتحليل البيانات على مستوى المؤسسة، لكنها تفيد في تحليل الأداء التدريسي وتقييم مخرجات التعلم عن طريق تحليل نتائج تقييم الطلاب، لكن قد تحتاج المؤسسات الكبرى لأنظمة تحليل أكثر تخصصا لتحديد الأساليب الأكثر فعالية لتحسين الأداء العام للعملية التعليمية في المؤسسة. ويتضمن ذلك تحليل البيانات التعليمية والإدارية وتقييمات المستفيدين وحتى إدارة الميزانية والنفقات.

أما على مستوى الوطني، فإن استراتيجية التعليم الموجه بالبيانات تستخدم لتحليل البيانات على مستوى البلد أو الدولة وربطه بالسياسات المتبعة والخطط الاستراتيجية المتبعة ومن ثم الحكم على مدى تحقق تلك الخطط ، وتحليل جوانب القوة والضعف فيها بناءا على تحليل النتائج على مستوى البلد، وغالبا ما يستخدم في هذا النوع نظم متقدمة لدعم اتخاذ القرار تعتمد على الذكاء الاصطناعي.
وبشكل عام توجد ثلاث أنواع من تحليلات التعلم المستخدمة في على المستوىات الثلاث الصف الدراسي والمؤسسي والوطني وهي :

التحليلات الوصفية Descriptive Analytics: تستخدم هذه التحليلات لفهم الحالة الراهنة للطلاب والمؤسسة التعليمية، وتحليل الأنماط السائدة والعلاقات بين المتغيرات المختلفة. يمكن استخدام هذه الأدوات لتحليل البيانات المتعلقة بالتفاعلات عبر نظام إدارة التعلم ونشاط الطلاب عبر الأنظمة المختلفة داخل المؤسسة التعليمية، كذلك نتائج التقييمات الدورية للطلاب. هذه المنهجية في التحليل تستخدم على مستوى الصف الدراسي ومستوى المؤسسة التعليمية، ويمكن للمعلم أو مدير المدرسة استخدام أنظمة مثل QlikView, KISSMetrics, Google Analytics في التحليلات الوصفية إلى جانب نظام تحليلات التعلم المستخدم ضمن نظام إدارة التعلم.

تحليلات تنبؤية مستقبلية Predictive Analytics: تستخدم هذه التحليلات للتنبؤ بالأحداث المستقبلية وتحليل العلاقات بين المتغيرات المختلفة وتوقع الانجازات الأكاديمية المستقبلية للطلاب. يمكن استخدام هذه الأدوات لتحليل العلاقات بين المتغيرات المختلفة مثل الأداء السابق والخلفية الأكاديمية والانخراط وتوقع النتائج الأكاديمية المستقبلية للطلاب. يستخدهذا النوع بشكل محدود في انظمة إدارة التعلم لتوقع أداء الطلاب المستقبلي، لكن اسخدامه الفعلي يكون على مستوى المؤسسات التعليمية و المستوى الوطني.

التحليلات التوصيفية أو الإرشادية Prescriptive Analytics: تستخدم هذه التحليلات لتوفير توصيات وحلول محتملة للمشكلات المتعلقة بالتعلم الأكاديمي. ويخلط البعض بين هذا النوع من التحليلا ونوع آخر هو التحليلات الاستنتاجية (Inferential analytics) والتي تستخدم في نظم تحليلات التعلم الملحقة بنظم إدارة التعلم الإلكتروني، لكن التحليلات الاستنتاجية لا تقدم حلولا للمشكلات القائمة عكس التحليلات الإرشادية. يمكن استخدام هذه الأدوات لتحليل العلاقات بين المتغيرات المختلفة وتوفير توصيات لتحسين أداء الطلاب وتحسين جودة التعليم وتحسين عمليات التقييم، ويستخدم هذا النوع من التحليلات على مستوى الصف الدراسي ضمن أنظمة تحليلات التعلم الملحقة بنظم إدارة التعلم، ويستخدم عبر أنظمة أكثر تخصصا على المستوى المؤسسي والوطني، فعلى المستوى المؤسسي تستخدم في العادة نظم إدارة علاقات العملاء (CRM)و أنظمة إدارة البيانات الأكاديمية (AMS) ، كذلك تسخدم نظم تحليلات التعلم الذكية لعمل هذه التحليلات بينما على المستوى الوطني تستخدم أنظمة متخصصة لتحليل البينات الضخمة ولا تصلح انظمة تحليلات التعلم التقليدية في ذلك.

استخدام الذكاء الاصطناعي في إدارة التعليم الإلكتروني

يعد الذكاء الاصطناعي AI من التقنيات الحديثة التي يتم استخدامها في إدارة التعليم الإلكتروني، وذلك لأنها تساعد في تحسين جودة التعليم وتحسين نتائج التعلم للطلاب. ويمكن استخدام الذكاء الاصطناعي AI في إدارة التعليم الإلكتروني في العديد من الأمور، مثل:

• تحسين الأساليب التعليمية: يمكن استخدام الذكاء الاصطناعي AI لتحديد الأساليب التعليمية الأكثر فاعلية في تعليم الطلاب، ومن ثم تحسين تصميم المناهج الدراسية والأساليب التعليمية لتلبية احتياجات الطلاب.
• تحسين التقييم الأكاديمي: يمكن استخدام الذكاء الاصطناعي AI لتحليل أداء الطلاب وتقديم توصيات للمعلمين والمدرسين بشأن الأساليب التعليمية الأكثر فاعلية في تعليم الطلاب.
• تحسين خدمات الدعم الطلابي: يمكن استخدام الذكاء الاصطناعي AI لتحليل احتياجات الطلاب وتقديم الدعم اللازم لهم، سواء كان ذلك من خلال توفير الأدوات التعليمية اللازمة أو توفير الدعم النفسي والاجتماعي اللازم للطلاب.
• تحسين إدارة التعليم الإلكتروني: يمكن استخدام الذكاء الاصطناعي AI لتحسين إدارة التعليم الإلكتروني، من خلال توفير أدوات التحليل الإحصائي والتي تساعد في تحسين جودة التعليم وتحسين نتائج التعلم للطلاب.
• تحقيق كفاءة الانفاق .

ومن أبرز تطبيقات الذكاء الاصطناعي في التعليم ما يسمى ببيئات التعلم الذكية ، وهي أنظمة تستخدم الذكاءالاصطناعي وتعتمد بشكل كبير على تحليل البيانات.

بيئات التعلم الذكية هي نظام تعليمي يستخدم تقنيات الذكاء الاصطناعي وتحليل البيانات والتعلم الآلي لتحليل سلوك الطلاب وتقديم تجربة تعليمية مخصصة لكل طالب بشكل فردي. وتهدف هذه البيئات إلى تحسين تجربة التعلم وتحقيق أفضل النتائج الأكاديمية للطلاب.

ومن أبرز سمات بيئات التعلم الذكية جمع البيانات الأكاديمية الخاصة بالطلاب وتحليل نمط سلوك الطالب على المنصة التعليمية، وتقييم الأداء الأكاديمي للطلاب، وتحليل تفاعل الطلاب مع المنصة التعليمية والمواد التعليمية. وبعد ذلك، يتم استخدام هذه البيانات لتحسين تجربة التعلم وتطوير المناهج التعليمية.

ويتم تحسين تجربة التعلم للطلاب في بيئات التعلم الذكية بعدة طرق، منها:

1. تخصيص المواد التعليمية: يمكن استخدام تحليلات البيانات لتحديد الاحتياجات التعليمية الفردية لكل طالب وتخصيص المواد التعليمية التي تتناسب مع احتياجاتهم.
2. تحسين تفاعل الطلاب مع المنصة التعليمية: غالبا ما يتم استخدام تحليلات البيانات لتحسين تفاعل الطلاب مع المنصة التعليمية وتحديد النقاط التي يعاني فيها الطلاب من صعوبات في التفاعل مع المنصة وتحسينها.
3. تحسين النتائج الأكاديمية: يمكن استخدام تحليلات البيانات لتحسين النتائج الأكاديمية للطلاب وتحديد المواضيع التي يحتاج الطلاب إلى تحسين فهمها وتطوير المناهج التعليمية بشكل يتناسب مع احتياجاتهم.
4. تحسين إدارة الوقت: يمكن استخدام تحليلات البيانات لتحليل السجلات الأكاديمية للطلاب وتحديد الأوقات التي يتعرض فيها الطلاب لأعلى مستويات التوتر والضغط، ومن ثم تخصيص الأوقات المناسبة لتقديم المواد التعليمية.

بالتالي، يمكن استفادة كبيرة من تحليل البيانات في بيئات التعلم الذكية لتحسين تجربة التعلم للطلاب وتحقيق أفضل النتائج الأكاديمية لهم. ومن اشهر انظمة التعليم الموجهة بالبينات التي تستخدم الذكاء الاصطناعي Google Cloud AI حيث يستخدم هذا النظام الذكاء الاصطناعي لتحليل البيانات وتحديد الأساليب الأكثر فعالية في تعليم الطلاب، ويتيح للمستخدمين تحليل البيانات التعليمية وتحديد النقاط التي يجب تحسينها.

Google Cloud AI هو مجموعة من الأدوات والخدمات التي تستخدم الذكاء الاصطناعي لتحليل البيانات وتحسين جودة التعليم. يمكن استخدام Google Cloud AI في التعليم والتدريب على النحو التالي:

1- تحليل البيانات التعليمية: يمكن استخدام Google Cloud AI لتحليل البيانات التعليمية وتحديد الأساليب الأكثر فعالية في تعليم الطلاب. يمكن للذكاء الاصطناعي تحليل البيانات الكبيرة بسرعة ودقة، مما يمكن المعلمين والمسؤولين التعليميين من تحليل البيانات وتحديد النقاط التي يجب تحسينها.

2- تخصيص التعليم: يمكن للذكاء الاصطناعي في Google Cloud AI تخصيص التعليم وفقًا لاحتياجات كل طالب على حدة. يمكن للذكاء الاصطناعي تحليل أداء الطالب وتحديد النقاط القوة والضعف وتخصيص الدروس والأنشطة التعليمية والواجبات المنزلية لكل طالب على حدة.

3- التعلم الآلي: يمكن استخدام Google Cloud AI لتدريب نماذج التعلم الآلي وتطبيقها في التعليم. يمكن للمعلمين والمسؤولين التعليميين أن يستخدموا النماذج المدربة لتحسين جودة التعليم وتخصيص التعليم لكل طالب.

4- التحدث إلى الطلاب: يمكن استخدام Google Cloud AI لتطوير تطبيقات تعليمية تستخدم التحدث إلى الطلاب بلغتهم الأم. ويمكن للطلاب التفاعل مع التطبيقات التعليمية باستخدام الصوت، ويمكن للذكاء الاصطناعي في Google Cloud AI تحليل الصوت وفهم الأفكار التي يتم تعبير عنها.

البيانات الضخمة والتعليم الموجه بالبيانات .

يخلط البعض بيانات الضخمة والتعليم الموجه بالبيانات، لعل منشأ هذا الخلط هو أن كليهما يعتمد على تحليل البيانات وإصدار التقارير لكن التعليم الموجه بالبيانات لا يعتمد دائما على البيانات الضخمة فقد يكون على مستوى الصف الدراسي أو مؤسسة تعليمية محدودة نسبيا، عكس البيانات الضخمة التي تعتمد على تحليل كم هائل من البيانات، وبالتالي فإن البيانات الضخمة قد تكون داعمة للتعليم الموجه بالبيانات على مستوى القطاعات التعليمية والمستوى الوطني.

البيانات الضخمة (Big Data) هي مصطلح يشير إلى كميات كبيرة جداً من البيانات التي تتجاوز قدرة الأدوات التقليدية على معالجتها وتحليلها وإدارتها. وتتميز البيانات الضخمة بأنها تأتي من مصادر متعددة ومتنوعة مثل الأجهزة الذكية ومواقع التواصل الاجتماعي والمستشفيات والشركات والحكومات، وتحتوي على مختلف أنواع البيانات مثل النصوص والصور والفيديوهات والملفات الصوتية. وتتطلب معالجة البيانات الضخمة استخدام تقنيات حديثة ومتطورة في تخزين ومعالجة البيانات، وذلك لتحليلها واستخلاص المعلومات والتنبؤات والأنماط الخاصة بها. وتستخدم البيانات الضخمة في مجالات مختلفة مثل التجارة والتسويق والعلوم والتكنولوجيا والصحة والتعليم.

https://drgawdat.edutech-portal.net/archives/15780

تعتبر البيانات الضخمة (Big Data) أحد المصادر الرئيسية التي تستخدم في تحسين التعليم واتخاذ القرارات الدقيقة في مجال التعليم. تمكّن البيانات الضخمة من جمع كميات كبيرة من البيانات المتعلقة بالتلاميذ وتحليلها وإستخدامها لتحسين عملية التعليم وتحسين نتائج التعليم. ومن خلال تحليل هذه البيانات الضخمة، يمكن للتعليم الموجه بالبيانات (Data-Driven Instruction) أن يوفر تحليلات دقيقة لنتائج الطلاب والتي تساعد في تحديد النقاط الضعيفة والقوية في عملية التعليم.

بالإضافة إلى ما تقدم، يمكن استخدام البيانات الضخمة في تحسين إدارة المدارس وتوجيه الاستثمارات في مجال التعليم، وتحسين توافق المناهج التعليمية مع احتياجات سوق العمل والمجتمع بشكل عام. لذلك، يمكن القول إن البيانات الضخمة والتعليم الموجه بالبيانات يتشاركان في الهدف الرئيسي الذي هو تحسين التعليم وتحسين نتائج التعليم من خلال تحليل البيانات واستخدامها لاتخاذ القرارات المدروسة والدقيقة. لكن بالنسبة للتعليم الموجه بالبيانات فإن التحليل لا يكون دائما على مستوى البيانات الضخمة بل يمكن أن يكون تحليل احصائي بسيط على مستوى الفصل الدراسي أو تحليل أكبر على المستوى الوطني.

وتوجد عديد من الأدوات التي يمكن استخدامها لتحليل البيانات الضخمة في التعليم، من بينها على سبيل المثال:

1. Apache Hadoop: هذه الأداة تستخدم لتخزين ومعالجة البيانات الضخمة، كما توفر إمكانية التعامل مع مجموعة كبيرة من البيانات المتنوعة. ويمكن النظر إليه كإطار عمل مفتوح المصدر لتخزين البيانات ومعالجتها بطريقة موزعة قياسية. تم تطوير Apache Hadoop لتحل محل الأنظمة التقليدية لتخزين البيانات ومعالجتها التي تعتمد على قواعد البيانات المركزية والتخزين المركزي. ويعتمد Apache Hadoop على مفهوم MapReduce لتحليل ومعالجة البيانات بشكل موزع. ويسمح Apache Hadoop بتخزين البيانات بشكل موزع ومتوافق مع العديد من التقنيات المختلفة، مثل Apache Hive وApache Pig وApache Spark.
2. Apache Spark: هذه الأداة تستخدم لمعالجة البيانات الضخمة بشكل سريع، وتوفر إمكانية التحليل الإحصائي والتنبؤي للبيانات. ويستخدم Apache Spark مفهوم التحليل الرسمي لتحليل ومعالجة البيانات، بدلاً من مفهوم MapReduce المستخدم في Apache Hadoop. ويتميز Apache Spark بالأداء العالي والقدرة على معالجة البيانات بشكل أسرع من Apache Hadoop، بالإضافة إلى دعمه للعديد من لغات البرمجة المختلفة مثل Scala وPython وJava. كما يحتوي Apache Spark على مكتبات متنوعة لتحليل البيانات، مثل Spark SQL وSpark Streaming وMLlib وGraphX. وتسمح هذه المكتبات بتحليل البيانات بشكل موزع، مما يسمح بتحليل البيانات الكبيرة بشكل أسرع وأكثر فعالية.
   يستخدم Apache Spark في العديد من المجالات، مثل التحليل اللغوي الحاسوبي وتحليل البيانات الجغرافية وتحليل البيانات الاجتماعية والتحليل الاقتصادي والتحليل النفسي والتحليل الرياضي. ويستخدم Apache Spark في العديد من الشركات الكبيرة، مثل IBM وMicrosoft وAmazon وغيرها، لتحليل البيانات الكبيرة ومعالجتها.
3. Tableau: هذه الأداة تستخدم لإنشاء الرسومات البيانية والتقارير الإحصائية، كما توفر إمكانية تحليل وتصور البيانات بشكل سهل وبديهي. وتشمل المزايا الأساسية ل Tableau سهولة الاستخدام والقدرة على العمل مع البيانات المقدمة من مصادر مختلفة، والتفاعلية العالية في الرسوم البيانية والتقارير، والقدرة على المشاركة والتعاون في العمل.
4. R: هذه الأداة عبارة عن لغة متخصصة تستخدم لتحليل البيانات وإجراء التحليل الإحصائي، كما توفر إمكانية إنشاء الرسومات البيانية والتقارير الإحصائية، ويمكن النظر إلى R باعتبارها لغة برمجة مفتوحة المصدر مصممة خصيصًا لتحليل البيانات والتحليل الإحصائي. تستخدم R في العديد من المجالات بما في ذلك الأعمال والصناعة والعلوم الطبيعية والاجتماعية، ولكنها تستخدم بشكل خاص في تحليلات التعلم الآلي للذكاء الاصطناعي، والتحليل الببليومتري للإنتاج الفكري وتحليل الاحصائي لسلوكيات وتفاعلات المستفيدين.
5. SAS: هي منصة تحليل بيانات مشهورة ومستخدمة على نطاق واسع في الصناعة والأعمال والتعليم. تتضمن SAS مجموعة من الأدوات الإحصائية والتحليلية التي تمكن المستخدمين من تحليل البيانات بطرق مختلفة وإعداد التقارير الاحصائية والرسومات.
6. IBM Watson Analytics: هذه الأداة تستخدم لتحليل البيانات وإجراء التحليل الإحصائي، وتوفر إمكانية تحليل اللغة الطبيعية والتعرف على الصوت والصور، وهي من الأدوات التي تستخدم الذكاء الاصطناعي في تحليل البيانات.

هذه بعض الأدوات الشائعة التي يمكن استخدامها لتحليل البيانات الضخمة في التعليم، ويمكن اختيار الأداة المناسبة بناءً على حجم ونوع البيانات المتاحة والأهداف المحددة لتحليلها. والسؤال البديهي الذي يتصور طرحه بعد استعراض نماذج من أدوات تحليل البيانات هو أي تلك الأدوات افضل لتحليل بيانات المؤسسات التعليمية؟
والواقع أنه لا يمكن تحديد الأداة الأفضل لتحليل البيانات الضخمة في التعليم بشكل قاطع، حيث تختلف احتياجات المؤسسات التعليمية ومتطلباتها من أدوات تحليل البيانات وفقاً للبيئة التعليمية والأهداف المحددة لتحليل البيانات. وبشكل عام، تختلف الأدوات المستخدمة في تحليل البيانات الضخمة في التعليم بناءً على حجم البيانات ونوعها وتعقيد الأسئلة التي يرغب المحللون في الإجابة عليها.

على سبيل المثال، يمكن استخدام Apache Hadoop و Apache Spark لتحليل البيانات الضخمة في التعليم بمؤسسات التعليم العالي، وذلك لأنهما يتميزان بالقدرة على التعامل مع كميات كبيرة ومتنوعة من البيانات. ويمكن استخدام SAS و R لتحليل البيانات وإجراء التحليل الإحصائي وإنشاء التقارير الإحصائية النهائية. ويمكن استخدام Tableau و IBM Watson Analytics لإنشاء الرسومات البيانية وتمثيل البيانات بشكل سهل نسبيا.

لذلك، يجب اختيار الأداة المناسبة بناءً على حجم ونوع البيانات والأهداف المحددة لتحليلها ومتطلبات المؤسسة التعليمية. وبشكل عام، يمكن استشارة خبراء تحليل البيانات أو الاستفادة من توصيات النظراء في المجال لاختيار الأداة المناسبة لتحليل البيانات الضخمة في التعليم.

أي البيانات نحلل ؟

في أي مشروع لتحليلات التعلم ثمة سؤال بديهي يتم طرحه مفاده؛ ما البيانات التي يجب جمعها وتحليلها لنحصل على معلومات صادقة ؟ ومن الناحية النظرية البحتة يمكن اعتبار أن أي وحدةبيانات ناتجة عن تفاعل المتعلم داخل البيئة التعليمية تعتبر بيانة قابلة للتحليل، لكن هل ستكون هذه البيانات مفيدة وموجهة للقرار التعليمي؟ هذا هو السؤال الذي يجب طرحه. فمع زيادة قدرات أجهزة الحاسب وبزوغ تطبيقات تحليل البيانات الضاخمة فإنه يمكن تحليل كل شيء وأي شيء من البيانات تقريبا لكن هذا التحليل المبالغ فيه يبنى عليه كم من التقارير ومن البينات والمعلومات التي قد تكون مشتتة أو معيقة لمتخذ القرار لكذلك فهناك دائما بيانات تعتبر محط أهتمام المتخصصين بجمع وتحليل البينات وكتابة التقارير عن أداء المؤسسات التعليمية، وبشكل عام كل نوع من التحليلات يتطلب بيانات محددة على الخبير تحديدها بدقة للوصول إلى نتائج دقيقة. على سبيل المثال الآتي:

1. تحليل الأداء الطلابي: يهدف هذا النوع من التحليلات إلى تحليل أداء الطلاب وتحديد العوامل التي تؤثر على النجاح الأكاديمي، وتحليل العلاقات بين المتغيرات المختلفة مثل العمر والجنس والمستوى الأكاديمي والخلفية الأكاديمية وغيرها، ومن هنا يتم جمع وتحليل نتائج اختبارات الطلاب، وتفاعلاتهم وبياناتهم الشخصية والأكاديمية وأداءهم الأكاديمي في السنوات السابقة إذا توافرت تلك البينات عنه.
2. متابعة الجودة الشاملة للعملية التعليمية: من التقارير التي تطلب من المؤسسات التعليمية المتقدمة للحصول على شهادات الجودة تقارير متابعة الأداء التعليمي بالمؤسسة وتشمل تقييم لمخرجات كل مرحلة من مراحل التعليم وغالبا ما يتضمن ذلك تقييم الخبراء وتقييم الأقران ونماذج رضا المستفيدين، وقد يميل متخذ القرار إلى تبني أحد أنظمة تحليل البيانات المجمعة من مؤسسته التعليمية خاصة في المستوى الجامعي والمقارنة بينها لتحديد مواطن القوة والضعف ومواضع التحسين.
3. تحليل البيانات الخاصة باستخدام الموارد الرقمية: ينتج من استخدام المستفيدين للموارد الرقمية المختلفة سواء من المكتبات الرقمية او قواعد بيانات مصادر التعلم أو منصات الموارد التعليمية المفتوحة أو نظام إدارة التعلم كم هائل من البينات. لا يمكن للعنصر البشري تحليل تلك البينات بطرق تقليدية للوصول إلى استنتاجات واقعية، وفي الغالب يتم تحليل تلك البيانات عبر أنظمة تحليل البيانات الضخمة وربطها ببعضها البعض لتوقع الاحتياجات المستقبلية واهتمامات المستفيدين من المواردالرقمية.

العلاقة بين التعليم الموجه بالبيانات ونظم دعم اتخاذ القرار الذكية :

يمكن القول إن التعليم الموجه بالبيانات ونظم دعم اتخاذ القرار الذكية (Intelligent Decision Support Systems) يتشاركان في الهدف الأساسي الذي هو تحسين عملية اتخاذ القرارات المدروسة والدقيقة. وتستخدم نظم دعم اتخاذ القرار الذكية في مجال التعليم لتوفير إرشادات متقدمة للمعلمين والقادة التعليميين لاتخاذ القرارات الفعالة والمستنيرة.

وتعتمد نظم دعم اتخاذ القرار الذكية في مجال التعليم على تحليل البيانات والمعلومات لإنتاج نتائج دقيقة ومعلومات قيمة، وتوفير إرشادات متقدمة لمساعدة المعلمين والقادة التعليميين على اتخاذ القرارات المناسبة. وتستخدم هذه النظم تقنيات التحليل الإحصائي والتنبؤي وتعلم الآلة والذكاء الاصطناعي لتحليل البيانات والمعلومات وتوفير الإرشادات المتقدمة. ومن خلال تحليل البيانات والمعلومات، يمكن لنظم دعم اتخاذ القرار الذكية أن تقدم إرشادات متقدمة للمعلمين والقادة التعليميين بشأن كيفية تحسين عملية التعليم، وكيفية تحسين تجربة التعلم للطلاب، وكيفية تحسين نتائج التعليم. وهذا يمكن أن يساعد في تحسين جودة التعليم وتحسين نتائج التعليم.

ويمكن أن تعتمد نظم دعم اتخاذ القرار الذكية على بيانات جمعها تعليم الموجه بالبيانات، ويمكن استخدام هذه البيانات لتحسين نظم دعم اتخاذ القرار الذكية وجعلها أكثر دقة وفعالية. لذلك، يمكن القول إن التعليم الموجه بالبيانات ونظم دعم اتخاذ القرار الذكية يتعاونان لتحسين جودة التعليم وتحسين نتائج التعليم.

على الجانب الآخر فإن الاختلاف الأكبر بين التعليم الموجه بالبيانات ونظم دعم اتخاذ القرار القائمة على الذكاء الاصطناعي يكمن في أنه تتضمن نظم دعم اتخاذ القرار القائمة على الذكاء الاصطناعي استخدام التعلم العميق (Deep Learning) كواحدة من التقنيات الرئيسية المميزه لها. ويمكن تعريف التعلم العميق على أنه نوع من التعلم الآلي يستند إلى شبكات عصبية(Neural Networks) تتألف من طبقات متعددة، حيث يتم تدريب هذه الشبكات على مجموعة كبيرة من البيانات لتحليلها واستخلاص المعلومات منها.

وتستخدم تكنولوجيا التعلم العميق في نظم دعم اتخاذ القرار القائمة على الذكاء الاصطناعي لتحليل البيانات الكبيرة والمعقدة، والتي يصعب معالجتها بواسطة الأساليب التقليدية، فعلى سبيل المثال، يمكن استخدام التعلم العميق لتحليل الصور والفيديوهات والصوتيات واستخلاص المعلومات الهامة منها، وكذلك يمكن استخدامها في تحليل البيانات الكبيرة المتعلقة بالأعمال التجارية والتسويق ووالجوانب المالية وغيرها.

ويتم تدريب النماذج العميقة على مجموعة كبيرة من البيانات، حيث يتم تغذية الأمثلة إلى النموذج وتعديل المعلمات التي يستخدمها النموذج لتحليل البيانات. وبمرور الوقت وتزايد عدد الأمثلة التي يتم تغذيتها إلى النموذج، يتم تحسين أداء النموذج وزيادة دقته في التحليل والتنبؤ.

ويمكن استخدام التعلم العميق في نظم دعم اتخاذ القرار القائمة على الذكاء الاصطناعي لتحسين دقة التنبؤات وتحليل البيانات بشكل أفضل، وبالتالي تحسين عمليات اتخاذ القرار في المنظمات والشركات والحكومات. ونلاحظ أن نظم دعم اتخاذ القرار التي تستخدم التعلم العميق تستخدم لتحليل البيانات على المستوى التنبؤي والمستوى التشخيصي وليس مستوى الوصفي وهي مستويات تحليل تستخدم في الغالب على المستوى الوطني والإقليمي. ومن أمثلة ذلك التحليلات الآتية

1. تحليل البيانات الوطنية لتحديد الاتجاهات العامة: يمكن استخدام تحليل البيانات الوطنية لتحديد الاتجاهات العامة في التعليم وتقييم النتائج الأكاديمية على المستوى الوطني. ويمكن استخدام هذه البيانات لتحديد المشكلات الرئيسية في النظام التعليمي على المستوى الوطني وتطوير السياسات التعليمية بناءً على النتائج.
2. تحليل بيانات الطلاب على المستوى الوطني: يمكن استخدام تحليل بيانات الطلاب على المستوى الوطني لتحديد النقاط القوية والضعيفة في النظام التعليمي وتطوير المناهج التعليمية بشكل يتناسب مع احتياجات الطلاب.
3. تحليل بيانات الأداء التدريسي: يمكن استخدام تحليل بيانات الأداء التدريسي على المستوى الوطني لتحديد الأساليب الفعالة في التدريس وتطوير برامج التدريب المستمر للمعلمين.
4. تحليل بيانات المواد التعليمية: يمكن استخدام تحليل بيانات المواد التعليمية على المستوى الوطني لتحديد الفروق في جودة المواد التعليمية وتطوير المواد التعليمية بشكل يتناسب مع احتياجات الطلاب.
5. تحليل بيانات الاستثمار في التعليم: يمكن استخدام تحليل بيانات الاستثمار في التعليم على المستوى الوطني لتحديد الفروق في التمويل وتطوير السياسات المالية اللازمة لتحسين النتائج الأكاديمية.

نظم تحليلات التعلم A4L
نظام تحليلات التعلم A4L (Analytics for Learning) هو نظام يستخدم لتحليل البيانات المتعلقة بالتعلم والتعليم، ويمكن استخدامه لتحليل البيانات الموجودة في نظم إدارة التعلم الإلكتروني MLS (Management Systems for Learning) وتحويلها إلى معلومات قيمة تستخدم لتحسين العملية التعليمية. ويمكن تحليل العديد من المؤشرات باستخدام نظام تحليلات التعلم A4L، والمؤشرات التي يمكن تحليلها تختلف بناءً على الغرض من التحليل والمؤسسة التعليمية التي تستخدم النظام. ومن بين المؤشرات الرئيسية التي يمكن تحليلها باستخدام نظام تحليلات التعلم A4L:

1. متوسط ​​الدرجات: يمكن تحليل متوسط ​​الدرجات للطلاب في مختلف المواد وتحديد الطلاب الذين يواجهون صعوبة في المواد المختلفة واتخاذ الإجراءات اللازمة لتحسين أدائهم.
2. تقييم الطلاب: يمكن تحليل ملاحظات تقييم الطلاب لتحديد نقاط القوة والضعف لكل طالب وتحديد المناهج التدريسية الفعالة وتطويرها.
3. معدلات الغياب: يمكن تحليل معدلات الغياب لتحديد الأسباب والتحديات التي تواجه الطلاب وتحسين استجابة المؤسسة التعليمية لهذه التحديات.
4. النتائج الأكاديمية: يمكن تحليل النتائج الأكاديمية للطلاب وتحديد المواد التي يواجهون فيها صعوبات وتحسين المناهج التدريسية في هذه المواد.
5. نسبة الانتهاء من التكليفات الدراسية: يمكن تحليل نسبة الانتهاء من التكليفات الدراسية وتحديد الأسباب التي تؤدي إلى عدم إكمال الطلاب للمهام الدراسية المختلفة واتخاذ الإجراءات اللازمة لتحسين هذا المؤشر.
6. تقييم المعلمين: يمكن تحليل تقييم المعلمين وتحديد الأساليب التي تعمل بشكل فعال لتحسين أدائهم.

وهذه ليست قائمة شاملة، فهناك العديد من المؤشرات الأخرى التي يمكن تحليلها باستخدام نظام تحليلات التعلم A4L، ويمكن تحديد المؤشرات المناسبة بناءً على احتياجات المؤسسة التعليمية وأهدافها، وبشكل عام هناك عدة مستويات من تحليلات التعلم تمت الإشارة إلى بعضها سابقا في هذا المقال، ومن بينها:

1. تحليلات وصفية (Descriptive analytics): وتستخدم لوصف النتائج الحالية وما حدث في الماضي، وتتضمن تحليل البيانات الوصفية مثل المتوسطات والانحرافات المعيارية وتوزيع البيانات، وتستخدم لتوفير فهم أفضل للوضع الحالي وتحديد النقاط القوية والضعف.
2. تحليلات تنبؤية(Predictive analytics): وتستخدم لتوقع النتائج المستقبلية وتحليل البيانات لتحديد الاتجاهات والتوقعات، وتستخدم لتوقع أفضل النتائج المستقبلية وتحسين العمليات التعليمية.
3. تحليلات استنتاجية (Inferential analytics): وتستخدم للتوصل إلى استنتاجات عامة عن العمليات التعليمية والنتائج المستقبلية، وتستخدم لتحليل البيانات وتطبيق الإحصاءات لاستنتاجات أكثر دقة وموثوقية.
4. تحليلات تعلم الآلة (Machine learning analytics): وتستخدم لتحليل البيانات وتقديم توصيات شخصية للطلاب بناءً على سجلاتهم الأكاديمية والسلوكية، وتستخدم كذلك في تحسين العمليات التعليمية والمناهج التدريسية.
5. تحليلات الشبكات الاجتماعية (Social network analytics): وتستخدم لتحليل البيانات المتعلقة بالتفاعلات الاجتماعية في مؤسسة تعليمية وتحليل العلاقات بين الطلاب والمعلمين وبين الطلاب أنفسهم، وتستخدم لتحسين العلاقات الاجتماعية وتحسين التفاعلات التعليمية.
6. تحليلات السلوك (Behavioral analytics): وتستخدم لتحليل سجلات السلوك الأكاديمي والتعليمي للطلاب وتحليل العوامل التي تؤثر على أدائهم الأكاديمي والتعليمي، وتستخدم لتحسين العمليات التعليمية وتطوير برامج المناهج التدريسية.

وتعتمد الأنواع المستخدمة من تحليلات التعلم على أهداف المؤسسة التعليمية والبيانات المتاحة والتحديات التي تواجهها.

التعليم الموجه بالبينات ونظم إدارة التعلم الإلكتروني

عندما نتحدث عن نظام إدارة التعلم فإننا نتناول مستوى من معالجة البيانات على مستوى الصف الدراسي أو المؤسسة التعليمية لكن في الغالب لا ننتقل إلى مستويات أعلى في التحليل، وأغلب نظم إدارة التعلم الإلكتروني ملحق بها نظام لتحليلات التعلم A4L كما تمت الإشارة في الفقرة السباقة، لكن تحليلات التعلم لا تجعل من نظام إدارة التعلم نظاما موجها بالبيانات بل لابد من مراعاة إجراءات معينة للوصول إلى ذلك.

كيف نجعل نظم إدارة التعليم الإلكتروني نظما موجهة بالبيانات ؟

لجعل نظم إدارة التعليم الإلكتروني نظما موجهة بالبيانات، يجب القيام بعدة خطوات، من بينها:

1. تحديد المؤشرات الرئيسية: يجب تحديد المؤشرات الرئيسية التي يتم جمعها وتحليلها في نظام إدارة التعليم الإلكتروني، مثل تقييم الطلاب، ومعدلات الغياب، وأداء المعلمين، ومتوسط ​​الدرجات، ونسبة الانتهاء من الدورات الدراسية، وغيرها.
2. جمع البيانات: يجب جمع البيانات المتعلقة بالمؤشرات الرئيسية، ويمكن جمع هذه البيانات من مختلف المصادر، مثل النظم الأكاديمية، والنظم الإدارية، والنظم الإلكترونية الأخرى.
3. تنظيم البيانات: يجب تنظيم البيانات المجمعة في قاعدة بيانات واحدة، ويجب تنظيمها بطريقة تسهل عملية البحث والتحليل.
4. تحليل البيانات: يمكن استخدام أدوات التحليل الإحصائي والتنبؤي لتحليل البيانات واستخلاص المعلومات القيمة، مثل تقدير احتياجات الطلاب، وتحليل أداء المعلمين، وتحديد الاتجاهات العامة في النتائج الأكاديمية.
5. توفير الإرشادات: يمكن استخدام البيانات المحللة لتوفير إرشادات موجهة للطلاب والمعلمين والإدارة التعليمية، وبالتالي تحسين جودة التعليم والنتائج الأكاديمية.
6. التحسين المستمر: يجب تقييم نظام إدارة التعليم الإلكتروني باستمرار وتحسينه بناءً على البيانات والمعلومات المحللة، وذلك لتحقيق أفضل النتائج وتحسين جودة التعليم.

وباستخدام البيانات المحللة، يمكن تحسين جودة التعليم والنتائج الأكاديمية وتحسين تجربة التعلم للطلاب، وتعزيز الفعالية والكفاءة في إدارة المؤسسات التعليمية.

ومن وجهة نظر التصميم التعليمي في التعليم الموجه بالبينات هو عامل رئيسي في توجيه سياسة التصميم التعليمي خصوصا على المستوى الجامعي. حيث يؤثر التعليم الموجه بالبيانات بشكل كبير على اتخاذ القرار بتطوير المقررات الإلكترونية، حيث يمكن استخدام تحليلات التعلم لتحليل بيانات الطلاب وتقييم كفاءة المقررات الإلكترونية. وفيما يلي تصور من الكاتب لبعض الطرق التي يؤثر بها التعليم الموجه بالبيانات على اتخاذ القرار بتطوير المقررات الإلكترونية، وسياسة التصميم التعليمي المتبعة:

1. تحليل بيانات الطلاب: يمكن استخدام تحليلات التعلم لتحليل بيانات الطلاب وتقييم كفاءة المقررات الإلكترونية. ومن ثم يمكن تحديد المواضيع التي يحتاج الطلاب إلى تحسين فهمها أو المهارات التي يحتاجون إلى تحسينها. ويمكن تطوير المقررات الإلكترونية بشكل يتناسب مع احتياجات الطلاب ويعزز فهمهم للمفاهيم الأكاديمية.
2. تحليل أداء المقررات الإلكترونية: يمكن استخدام تحليلات التعلم لتحليل أداء المقررات الإلكترونية وتقييم كفاءتها. ومن ثم يمكن تحديد النقاط القوية والضعيفة في المقررات الإلكترونية وتطويرها بشكل يتناسب مع احتياجات الطلاب ويعزز فهمهم للمفاهيم الأكاديمية.
3. تحديد احتياجات الطلاب: يمكن استخدام تحليلات التعلم لتحديد احتياجات الطلاب وتحديد المواد التعليمية التي يحتاجون إليها. ويمكن تطوير المقررات الإلكترونية بشكل يتناسب مع احتياجات الطلاب ويعزز فهمهم للمفاهيم الأكاديمية.
4. تحسين تصميم المقررات الإلكترونية: يمكن استخدام تحليلات التعلم لتحليل الأداء الأكاديمي للطلاب في المقررات الإلكترونية، ومن ثم تحديد المواضيع والمهارات التي يحتاج الطلاب إلى تحسين فهمها. ويمكن تطوير المقررات الإلكترونية بشكل يتناسب مع احتياجات الطلاب ويعزز فهمهم للمفاهيم الأكاديمية.
5. تحسين نتائج التعلم: يمكن استخدام تحليلات التعلم لتحليل بيانات الطلاب وتحسين نتائج التعلم. ومن ثم يمكن تطوير المقررات الإلكترونية بشكل يتناسب مع احتياجات الطلاب ويعزز فهمهم للمفاهيم الأكاديمية ويحسن نتائج التعلم.
6. تحديد الانماط المعرفية السائدة وبناء نماذج تعلم للطلاب.
7. رسم سيناريوهات التعلم المتوقعة ومن ثم مساعدة المصم التعليمي في التعلم المبني على السيناريو.

نستخلص مما سببق أنه يمكن استخدام التعليم الموجه بالبيانات لتحليل البيانات الأكاديمية وتحسين نتائج التعلم وتطوير المقررات الإلكترونية بشكل يتناسب مع احتياجات الطلاب ويعزز فهمهم للمفاهيم الأكاديمية.

الخلاصة :

ناقش المقال الحالي مفهوم التعليم الموجه بالبينات ومستوياته بدءا من الوصفي مرورا بالتنبؤي وصولا للإرشادي، كما أوضح المقال العلاقة بين تحليلات التعلم المستخدمة في التعليم الموجه بالبيانات والبيانات الضخمة ، وتطرق المقال لاستخدام نظم التعليم الموجه بالبينات لدعم اتخاذ القرار على المستويات المختلفة كذلك علاقة هذه النظم بالذكاء الاصطناعي ، وأخيرا تناول المقال نظم تحليلات التعلم المستخدمة في بيئات التعلم الإلكترونية التقليدية وكيفية توظيفها لدعم التعلم الموجه بالبيانات، وأمثلة للتحليلات التي تقوم بها هذه اللانظمة.

المراجع :

How universities can harness the power of data to improve their offering. (2021, March 15). Retrieved from https://www.timeshighereducation.com/hub/microsoft/p/how-universities-can-harness-power-data-improve-their-offering

Team, T. S. (2023, May 08). Retail Data Explained: Descriptive, Predictive, and Prescriptive. Retrieved from https://supplierwiki.supplypike.com/articles/retail-data-explained-descriptive-predictive-and-prescriptive

Ahmed, A. A., & Abou-El-Soud, M. M. (2018). Data-driven decision making in education: Opportunities and challenges. International Journal of Emerging Technologies in Learning, 13(12), 4-19

Aïmeur, E., & Frasson, C. (2015). Learning analytics to support self-regulated learning: A review of existing approaches and trends. Paper presented at the 7th International Conference on Computer Supported Education (CSEDU), Lisbon, Portugal.

Bambrick-Santoyo, P. (2019). Driven by Data 2.0: A Practical Guide to Improve Instruction. Jossey-Bass.

Fossen, A. M., & Barron, J. L. (2020). Integrating artificial intelligence into K-12 education: A review of the literature. Journal of Educational Technology Development and Exchange, 13(1),
1-14.

Henson, J. C. (2017). Data-driven instruction: How technology enhances teaching and learning. Journal of Research on Technology in Education, 49(1-2), 86-96.

Hughes, L. D., & Scott, K. L. (2017). Data-driven instruction: Promising practices. Journal of Educational Leadership in Action, 5(2), 1-16.

Johnstone, R., Henning, J. T., & Eisenman, S. (2015). Data-driven decision making: The engine of accountability. Journal of Education and Learning, 4(4), 1-13.

Kloft, C. D., & Murphy, K. P. (2016). Artificial intelligence in education: Current applications and future prospects. Proceedings of the AAAI Conference on Artificial Intelligence and Education,
112-116.

Landauer, T. K., & McNamara, D. S. (2014). Artificial intelligence in education: Promises and implications for teaching and learning. Educational Psychologist, 49(3), 145-162.

Lynch, C., & Dembo, M. (2014). The relationship between self-regulated learning and distance education success. Journal of Educational Computing Research, 51(2), 143-162.

Mertler, A. C., & Campbell, J. A. (2018). Data-driven decision making in education: Insights from the research literature. Journal of Data and Information Science, 3(1), 1-24.

Miah, S. J., Miah, M., & Shen, J. (2020). Editorial note: Learning management systems and big data technologies for higher education. Educ. Inf. Technol., 25(2), 725–730

Nicole Parmar. (2019). Moving from Descriptive to Predictive and Prescriptive Analytics. Retrieved from https://nicoleparmar.com/moving-from-descriptive-to-predictive-and-prescriptive-analytics

Romero, C., & Ventura, S. (2013). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 42(6), 601-618.

Schaffhauser, J. (2020). Using artificial intelligence (AI) in education: A guide for school leaders. EdTech Magazine. https://edtechmagazine.com/k12/article/2020/02/using-artificial-intelligence-ai-education-guide-school-leaders-perfcon

Shum, S. B., & Ferguson, R. (2012). Social learning analytics. Educational Technology & Society, 15(3), 3-26.

Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education. Educause Review, 46(5), 30-41.

Tanes, Z., & Arslan, N. (2017). The role of learning analytics in teaching and learning: A literature review. International Journal of Information and Learning Technology, 34(1), 5-19.

Tien, J. M., & Ahmed, A. A. (2019). Artificial intelligence and data-driven instruction: Implications for education policy. Journal of Educational Change, 20(3), 359-380

Wang, Y., Chen, N. S., Liang, T. H., & Farzan, R. (2017). Learning analytics in higher education: A literature review and proposed framework. Innovations in Education and Teaching International, 54(4),
361-370