Mfumo wa tahadhari ya mapema unaotilia maanani faragha ni mbinu ya utabiri inayolenga kutoa ishara ya hatari ya kitaaluma kutokana na mifumo ya tabia katika mfumo wa usimamizi wa ujifunzaji, bila kutumia taarifa nyeti zaidi kama sifa za kidemografia za mwanafunzi au historia yake ya awali ya kitaaluma. Utafiti wa Hon-Sun Chiu, Adam Wong na Tung-Lok Wong unachunguza utabiri wa mapema wa makundi ya utendaji wa wanafunzi mwishoni mwa muhula kwa kutumia zaidi ya rekodi milioni 1,7 za mwingiliano wa Blackboard kutoka kozi 236 za shahada ya kwanza katika Hong Kong Polytechnic University.

Moja ya vipengele vya kipekee vya utafiti ni kutumia rank-based engagement features, yaani nafasi za ushiriki za kulinganisha ndani ya kozi, badala ya kulinganisha moja kwa moja thamani ghafi za matumizi ya LMS za wanafunzi kati ya kozi. Kwa mfano, badala ya kutumia peke yake idadi ya siku ambazo mwanafunzi aliingia Blackboard, idadi ya vipindi alivyofanya au idadi ya mibofyo, nafasi yake miongoni mwa wanafunzi wengine wa kozi hiyo huhesabiwa.

Sababu ya mbinu hii iko wazi: matumizi ya Blackboard kwa saa 10 yanaweza kuwa ya juu sana kwa kozi inayofundishwa ana kwa ana kabisa, lakini yawe ya chini kwa kozi nyingine inayohitaji shughuli nyingi za mtandaoni. Kwa hiyo, thamani ghafi za mibofyo au muda huenda zisiwe na maana sawa katika kozi tofauti. Upangaji wa kulinganisha unalenga kuwakilisha tabia ya mwanafunzi ndani ya muktadha wa kozi yake ili taaluma tofauti ziweze kulinganishwa kwa maana zaidi.

Katika uchanganuzi kwa kutumia Random Forest classifier, alama za usahihi na F1 za modeli ya jumla zilipanda zaidi ya %90 kuanzia wiki ya tatu ya ufundishaji. Hii inaonyesha kuwa huenda ikawezekana kutoa ishara ya mapema inayoweza kutumika kuhusu hatari ya kitaaluma kabla ya mitihani ya mwisho wa muhula au alama za mwisho kupatikana.

Hata hivyo, usahihi mkubwa wa modeli hauonyeshi kuwa uingiliaji wa msaada umeongeza mafanikio ya wanafunzi. Watafiti hawakujaribu athari ya ushauri wa mapema, maoni yaliyobinafsishwa au uingiliaji mwingine wa msaada. Kile ambacho utafiti unaonyesha ni kwamba utabiri wa mapema unaweza kufanywa; kama uingiliaji unaofanywa kwa msingi wa utabiri huo una ufanisi kweli, hilo linapaswa kuchunguzwa kando katika tafiti za baadaye.

Kwa nini vyuo vikuu vinataka kumtambua mwanafunzi katika wiki ya tatu?

Utambuzi wa kawaida wa hatari ya kitaaluma mara nyingi huanza baada ya mwanafunzi kupata alama ya chini ya mtihani, kukosa kuwasilisha kazi au utoro wake kuonekana wazi. Katika hali hiyo, sehemu muhimu ya muda ambao ungeweza kutumika kwa msaada inaweza kuwa tayari imepotea.

Mifumo ya usimamizi wa ujifunzaji, kwa upande mwingine, hutoa dalili za kitabia mapema zaidi kuhusu uhusiano wa mwanafunzi na kozi. Taarifa kama siku ambazo mwanafunzi aliingia Blackboard, idadi ya vipindi alivyofanya, idadi ya maudhui aliyobofya na muda aliokaa katika mfumo hujitokeza kabla hata ya mtihani wa kwanza.

Swali kuu la utafiti huu ni hili:

Je, bila kutumia historia ya kibinafsi ya kidemografia au alama za zamani za mwanafunzi, inawezekana kutabiri kwa kutumia tu tabia zake za mapema kwenye LMS kama atakuwa katika hatari mwishoni mwa muhula?

Data zinatoka wapi?

Utafiti ulifanyika katika mazingira ya School of Professional Education and Executive Development ndani ya The Hong Kong Polytechnic University.

Seti ya data inajumuisha kozi katika vitengo vinne vya kitaaluma:

• Business and Hospitality Management,
• Languages and Communication,
• Science, Engineering and Health Studies,
• Social Sciences, Humanities and Design.

Kozi 236 za shahada ya kwanza katika muhula wa pili wa mwaka wa masomo 2023–2024 zilijumuishwa katika utafiti. Kozi hizo zinahusisha ufundishaji wa ana kwa ana, mtandaoni na mseto, pamoja na miundo tofauti ya tathmini yenye na isiyo na mitihani.

Zaidi ya rekodi milioni 1,7 zilitolewa kutoka kumbukumbu za shughuli za wanafunzi kwenye Blackboard.

Je, Kubofya Sana kwa Mwanafunzi Kunamaanisha Atafaulu?

Hapana. Hili pia ni mojawapo ya matokeo muhimu ya makala.

Kwa kuwa njia za kutumia LMS hutofautiana sana kati ya kozi, uhusiano kati ya thamani ghafi za shughuli na alama za kozi kwa ujumla ni mdogo. Kwa mfano, katika baadhi ya kozi wanafunzi wanaweza kujifunza sehemu muhimu ya nyenzo ana kwa ana; katika kozi nyingine, karibu shughuli zote zinaweza kufanyika kupitia Blackboard.

Kwa hiyo si sahihi kuweka kanuni ya jumla kama “mibofyo zaidi = mafanikio zaidi”.

Ulinganisho katika ukurasa wa 14 wa makala unaonyesha kwamba katika vitengo vyote vinne vya kitaaluma, uhusiano kati ya vipengele ghafi vya LMS na alama ni mdogo. Kwa mfano, uhusiano kati ya idadi ya siku ambazo jukwaa lilifikiwa na alama ya kozi hubadilika takribani kati ya 0,142–0,203, huku thamani hasi zikitokea hata katika baadhi ya vigezo vya wingi wa mibofyo.

Kinyume chake, grafu katika ukurasa huohuo inayoonyesha shughuli za wanafunzi kwa makundi ya alama inaonyesha kuwa wanafunzi wenye alama za juu kwa ujumla huwa na mwelekeo wa kuingia mfumo mara nyingi zaidi, kufanya vipindi zaidi na kuwa na mwingiliano zaidi.

Matokeo haya mawili hayapingani. Kuna muundo wa jumla wa tabia; lakini maana ya nambari ghafi hutegemea muundo wa kila kozi.

Vipengele vya Rank-Based Engagement ni Nini?

Suluhisho linalopendekezwa na watafiti ni kukokotoa si shughuli kamili ya LMS ya mwanafunzi, bali nafasi yake ya kulinganisha dhidi ya wanafunzi wengine katika kozi hiyo hiyo.

Hivyo, badala ya taarifa kwamba mwanafunzi “aliingia mara 20”, kinachotumika zaidi ni taarifa kwamba aliingiliana zaidi au kidogo kuliko sehemu kubwa ya wanafunzi katika kozi yake.

Mabadiliko haya yanalenga kusanifisha kwa kiasi tofauti za wingi wa matumizi ya LMS kati ya kozi.

Kwa nini muda pekee hauaminiki?

Watafiti hasa wanaeleza kuwa jumla ya muda kwenye LMS inaweza kuwa na tatizo.

Mwanafunzi anaweza kufungua faili kwenye Blackboard na kuacha kompyuta ikiwa wazi. Ingawa mfumo unaweza kurekodi muda mrefu wa ufikiaji, mwanafunzi huenda asiwe anashirikiana na nyenzo kwa kweli.

Kwa hiyo watafiti hawakutegemea muda pekee na wakaunganisha siku za ufikiaji, idadi ya vipindi na jumla ya mibofyo katika kigezo cha Index.

Ni nini hutokea kwa wanafunzi ambao hawaingii kabisa kwenye mfumo?

Faida nyingine ya mbinu ya rank-based ni kwamba wanafunzi ambao hawaingii kabisa Blackboard katika wiki za kwanza hawapotei kutoka kwenye seti ya data.

Katika mbinu ya vipengele ghafi, mwanafunzi asiye na rekodi ya shughuli anaweza kuondolewa katika baadhi ya uchanganuzi kwa sababu ya thamani inayokosekana. Katika utafiti huu, wanafunzi kama hao hupewa thamani ya chini zaidi ya rank katika kozi yao na kubaki kwenye seti ya data.

Hili ni muhimu hasa kwa mifumo ya tahadhari ya mapema; kwa sababu kutokuwa na shughuli yoyote ya LMS kunaweza tayari kuwa ishara inayowezekana ya kujitenga na ushiriki.

Kauli “Unaotilia Maanani Faragha” Inamaanisha Nini Hasa?

Utafiti hautumii:

• jinsia ya wanafunzi,
• umri wao,
• hali yao ya kijamii na kiuchumi,
• historia yao ya awali ya kitaaluma,
• GPA za zamani au rekodi za alama

kama viingizo vya modeli ya utabiri.

Chanzo kikuu cha data ni tabia ya mwanafunzi ndani ya LMS.

Kwa hiyo, mbinu hii hutumia taarifa binafsi chache kuliko mifumo mingi ya utabiri wa kielimu na iko karibu zaidi na kanuni ya upunguzaji wa data.

Hata hivyo, kuna mpaka muhimu wa istilahi hapa. Makala yenyewe inakubali kwamba data za tabia za LMS zinaweza kuwa na uwezo wa kumtambulisha mtu.

Kwa hiyo, kauli “privacy-conscious” inayotumika hapa:

haimaanishi “mfumo unaotoa dhamana ya kihisabati ya faragha ya mwanafunzi”.

Utafiti haukutumia mifumo rasmi ya privacy-preserving kama differential privacy au federated learning. Waandishi wanaweka mbinu yao kama mbadala rahisi zaidi wa upunguzaji wa data unaoweza kutekelezwa katika taasisi ikilinganishwa na mbinu hizo.

Mwanafunzi Aliye Hatarini Alifafanuliwaje?

Wanafunzi waligawanywa katika madarasa matatu kulingana na alama zao za kozi mwishoni mwa muhula:

Wanafunzi walio katika hatari wanaunda takribani %5 ya seti nzima ya data.

Uwiano huu huleta tatizo muhimu katika ujifunzaji wa mashine: modeli inaweza kutabiri kundi la wengi pekee na bado kutoa usahihi unaoonekana kuwa mkubwa.

Kwa Nini SMOTE Ilitumika?

Katika seti ya data, wanafunzi walio katika hatari na wale wenye utendaji wa juu sana ni wachache kuliko kundi la wengi. Hali hii huitwa kutokuwiana kwa madarasa.

Watafiti walitumia Synthetic Minority Over-sampling Technique, yaani SMOTE, ili kupunguza tatizo hili.

Badala ya kunakili tu sampuli zilizopo za darasa lenye idadi ndogo, SMOTE hutengeneza sampuli mpya za sintetiki za mafunzo kutokana na sifa za sampuli hizo.

Jambo muhimu kimetodolojia ni hili: watafiti walitenganisha kwanza data za mafunzo na data za majaribio, kisha wakatumia SMOTE kwenye seti ya mafunzo pekee.

Kwa njia hii walijaribu kuzuia sampuli sintetiki kuingia kwenye seti ya majaribio na kuongeza utendaji wa modeli kwa njia ya bandia.

Mbinu na Matokeo ya Utafiti

Modeli zilizotumika

Utafiti ulitumia modeli tatu kuu:

• Random Forest Regressor,
• Multiple Linear Regression,
• Random Forest Classifier.

Modeli za regresi zililinganishwa ili kutabiri utendaji wa mwanafunzi kama thamani endelevu. Random Forest Regressor ilionyesha R² ya juu zaidi na kosa la wastani la mraba lililo chini kuliko regresi ya mstari.

Hata hivyo, lengo kuu la utafiti si regresi, bali uainishaji wa Random Forest unaowagawa wanafunzi katika makundi matatu ya utendaji.

Vipengele vilichaguliwaje?

Vigezo vinavyoweza kutumika katika modeli vilitathminiwa kwa mbinu ya SelectKBest.

Matokeo ya mfano ya SelectKBest katika ukurasa wa 17 wa makala na ulinganisho unaofuata yanaonyesha kwamba vipengele vya rank-based kwa ujumla vilipata alama za juu zaidi za uteuzi kuliko vipengele ghafi vya LMS.

Katika grafu ya ukurasa wa 18 wa makala pia inaonekana kwamba kadiri wiki za ufundishaji zilivyoendelea, kiwango cha uteuzi wa vipengele vya rank-based kilibaki juu wazi kuliko cha vipengele ghafi.

Kwa hiyo, vipengele vya rank-based vilipendelewa katika modeli kuu za utabiri zilizofuata.

Jaribio la kwanza: kozi kubwa

Tathmini ya kwanza ya utendaji ilifanywa katika kozi 16 kubwa zenye mtihani na ukubwa wa darasa zaidi ya 80.

Sampuli hii ndogo inajumuisha wanafunzi 2341.

Data ziligawanywa kwa mpangilio wa tabaka katika ngazi ya mwanafunzi kuwa %70 seti ya mafunzo na %30 seti ya majaribio; ilihakikishwa kwamba data za mwanafunzi yuleyule hazikusambaa pande zote mbili. Ndani ya sehemu ya mafunzo ilitumika cross-validation ya mikunjo mitano, na SMOTE ilitumika kwa data za mafunzo pekee.

Katika uainishaji huu wa kwanza, kwa kutumia vipengele vya rank-based, usahihi na alama ya F1 ya Random Forest Classifier zilipanda zaidi ya %80.

Modeli ilipanuliwaje hadi kozi zote 236?

Kozi tofauti hutofautiana si tu katika tabia za wanafunzi bali pia katika miundo ya ufundishaji na tathmini. Kwa hiyo watafiti waliongeza vigezo vitatu vya muktadha wa kozi kwenye vigezo vitano vya rank-based:

• EXAM: ikiwa kozi ina mtihani au la,
• MODE: ufundishaji wa ana kwa ana, mtandaoni au mseto,
• DIVISION: kitengo cha kitaaluma ambacho kozi inahusishwa nacho.

Hivyo, jumla ya viingizo vinane vilitumika katika modeli kuu.

Je, Utabiri wa Zaidi ya %90 Uliweza Kupatikana Kweli Katika Wiki ya Tatu?

Ndiyo; ndani ya mpangilio wa majaribio wa utafiti huu, usahihi na alama za F1 za uainishaji wa Random Forest uliojumuisha kozi zote 236 zilipanda zaidi ya %90 kuanzia wiki ya tatu ya ufundishaji.

Jedwali 6 katika chanzo linafupisha kiwango cha jumla cha utendaji wa utafiti kuwa takribani usahihi wa %87–93.

Grafu katika ukurasa wa 22 wa makala, inayojumuisha kozi zote 236, pia inaonyesha ongezeko la haraka la utendaji kutoka wiki ya kwanza hadi ya tatu na baada ya hapo mviringo unaobaki zaidi ya %90.

Matokeo haya yanaonyesha kuwa utambuzi wa mapema wa hatari ya kitaaluma unaweza kufanyika kabla ya alama za mwisho au mitihani ya mwisho wa muhula kupatikana.

Kwa nini wiki mbili za kwanza ni mbaya zaidi?

Katika kalenda ya kitaaluma ya taasisi, wiki mbili za kwanza ni kipindi cha kuongeza na kuacha kozi.

Kwa kuwa wanafunzi wanaweza kubadilisha kozi au usajili wao bado haujakamilika:

• rekodi za mwingiliano wa LMS ni chache zaidi,
• orodha za madarasa bado zinabadilika,
• muundo wa tabia ya mwanafunzi bado haujajengeka vya kutosha.

Wiki ya tatu ndiyo hatua rasmi ya kuhesabu usajili. Watafiti wanaeleza kwamba utendaji wa chini katika wiki mbili za kwanza unaweza kuhusiana na muktadha huu.

Kwa nini modeli huwa na nguvu zaidi kidogo katika madarasa makubwa?

Matokeo yanaonyesha kwamba utendaji wa utabiri katika kozi kubwa kwa ujumla ni wa juu zaidi kuliko katika kozi za ukubwa wa kati na ndogo.

Watafiti wanapendekeza kwamba mojawapo ya sababu zinazowezekana ni kuwa mgawanyo wa alama katika madarasa makubwa huwa na mpangilio zaidi na hukaribia zaidi mgawanyo wa kawaida.

Katika madarasa madogo, hata tabia tofauti ya wanafunzi wachache inaweza kubadilisha zaidi muundo wa mgawanyo na kufanya uhusiano kati ya vipengele vya rank-based na alama za mwisho uonekane kuwa changamani zaidi.

Hii ni tafsiri ya utafiti; haijajaribiwa kwa majaribio kwamba ukubwa wa darasa unasababisha moja kwa moja tofauti ya utendaji.

Je, modeli inaweza kuwagundua wanafunzi at-risk ingawa si kundi la wengi?

Katika grafu za precision, recall na F1 kwa kila darasa katika kurasa za 23. na 24. za makala, matokeo ya madarasa madogo ya wanafunzi walio katika hatari na wenye utendaji wa juu hayako chini kuliko darasa la “kawaida” linalounda wengi katika wiki nyingi; kwa precision na F1 hata yanaonekana kuwa ya juu zaidi.

Waandishi wanahusisha hili na uwezo wa modeli kujifunza vyema zaidi mipaka ya maamuzi kwa madarasa madogo baada ya matumizi ya SMOTE.

Ingawa matokeo haya yanaashiria kwamba tatizo la kutokuwiana kwa madarasa lilidhibitiwa kwa kiasi kikubwa katika seti hii ya data, haimaanishi kwamba muundo huohuo lazima ujirudie katika vyuo vikuu vingine.

Je, Modeli Inamzuia Mwanafunzi Kufeli?

Hapana; utafiti huu haukujaribu hilo.

Modeli inaweza kumweka mwanafunzi mapema katika kundi la hatari. Lakini baada ya utabiri:

• kumpa mwanafunzi ushauri,
• kutuma maoni yaliyobinafsishwa,
• kumwelekeza kwenye huduma za msaada wa ujifunzaji,
• kutoa nyenzo zinazobadilika kulingana na mahitaji

kama uingiliaji huo unaongeza kweli mafanikio ya mwanafunzi au la halikuwa ndani ya wigo wa majaribio wa utafiti huu.

Kwa hiyo, waandishi wanaweka mfumo huu si kama suluhisho la mwisho bali kama miundombinu ya tahadhari ya mapema inayoweza kuanzisha msaada wa kimkakati kwa mwanafunzi.

Uwezo wa Kujumlisha Kitaaluma Mseto Umethibitishwa kwa Kiasi Gani?

Kwa sababu utafiti huu unajumuisha kozi 236 tofauti badala ya kozi moja, vitengo vinne vya kitaaluma, ukubwa tofauti wa madarasa, miundo tofauti ya tathmini na mazingira ya ufundishaji wa ana kwa ana/mtandaoni/mseto, una utofauti wa ndani mpana ikilinganishwa na tafiti nyingi za uchanganuzi wa ujifunzaji.

Lengo kuu la vipengele vya rank-based pia ni kustahimili utofauti huu.

Hata hivyo, data zote zimetoka ndani ya mfumo mmoja wa chuo kikuu.

Kwa hiyo, kinachoonyeshwa hapa ni:

modeli inayofanya kazi katika miundo mingi tofauti ya taaluma na kozi ndani ya taasisi moja.

Bado haijathibitishwa na makala hii kwamba kiwango kilekile cha usahihi kitaendelea katika nchi nyingine, mifumo tofauti ya LMS au makundi mengine ya wanafunzi.

Kwa hiyo “cross-disciplinary generalizability” ni matokeo thabiti ndani ya utafiti; “cross-institutional generalizability” ni suala linalopaswa kuthibitishwa kando katika siku zijazo.

Matokeo yanayoungwa mkono na utafiti

• Thamani ghafi za shughuli za LMS zinaweza kupunguza nguvu ya utabiri zinapolinganishwa moja kwa moja kati ya kozi zinazotofautiana sana.
• Vipengele vinavyotegemea nafasi ya kulinganisha ndani ya kozi vinaweza kutoa viashiria vya tabia vilivyo thabiti zaidi kati ya kozi zenye utofauti mkubwa.
• Uainishaji wa Random Forest umeonyesha utendaji mkubwa katika seti hii ya data.
• Modeli iliyotumika katika kozi zote 236 ilitoa usahihi na alama ya F1 ya zaidi ya %90 kuanzia wiki ya tatu.
• Utabiri imara wa mapema unawezekana bila kutumia taarifa za kidemografia au historia ya awali ya kitaaluma.
• Kuongeza vigezo vya muktadha kama hali ya kozi, uwepo wa mtihani na kitengo cha kitaaluma kuliongeza utendaji wa utabiri.
• Baada ya SMOTE, madarasa madogo ya utendaji yaliweza kutofautishwa vizuri na modeli.

Matokeo ambayo utafiti hauungi mkono

• Haijathibitishwa kwamba modeli inapunguza kufeli kwa wanafunzi.
• Haijaonyeshwa kwa majaribio kwamba tahadhari ya mapema huongeza kuendelea kwa wanafunzi au kiwango cha kuhitimu.
• Haijathibitishwa kwamba modeli itatoa utendaji uleule wa %90+ katika vyuo vikuu vingine.
• Haiwezi kusemwa kwamba shughuli za LMS hupima kikamilifu ujifunzaji halisi wa mwanafunzi.
• Haiwezi kuhitimishwa kwamba matumizi zaidi ya Blackboard pekee yanasababisha mafanikio ya juu zaidi.
• Mfumo hautoi dhamana rasmi ya differential privacy au federated learning.

Vikwazo muhimu zaidi

Kikwazo cha kwanza: kiwango cha undani wa rekodi za LMS. Blackboard inaweza kuonyesha kwamba mwanafunzi amefungua faili; lakini haiwezi kuonyesha kwa uhakika kama aliisoma kweli au aliiacha wazi huku akifanya jambo lingine.

Kikwazo cha pili: kiwango cha undani wa data za tathmini. Jedwali za alama za taasisi hutoa makundi ya kiwango cha juu kama “mtihani”, “kazi” au “mradi wa kikundi”. Maelezo kama mtihani una sehemu ngapi au kama kazi ni ya mtandaoni, ina kikomo cha muda au hufanywa nyumbani hayapo katika modeli.

Kikwazo cha tatu: hakuna uthibitishaji wa nje kati ya taasisi. Ingawa data ni za taaluma nyingi, zinatoka katika muundo wa chuo kikuu kimoja.

Kikwazo cha nne: alama ya tabia si sawa na ujifunzaji wenyewe. Mibofyo, vipindi na muda kwenye jukwaa huonyesha tu nyayo za kidijitali za ujifunzaji; uelewa, motisha au muda wa kujifunza nje ya mtandao wa mwanafunzi haukupimwa moja kwa moja.

Kikwazo cha tano: dhamana ya faragha ni ndogo. Kutotumia data za kidemografia kuna faida kwa faragha; lakini rekodi za LMS zenyewe pia ni taarifa za tabia za mtu binafsi.

Tafiti za baadaye zinapaswa kujaribu nini?

Waandishi wanapendekeza matumizi ya rekodi za matukio ya LMS zilizo na undani zaidi katika siku zijazo. Ikiwa inaweza kupimwa kwa undani zaidi ni maudhui gani mwanafunzi alifungua tu, ni yapi alifanya nayo kazi kwa bidii, na jinsi tabia zilivyobadilika ndani ya kipindi, maana ya kielimu ya utabiri inaweza kuimarika.

Vilevile, kurekodi kwa undani zaidi miundo ya kazi na mitihani kunaweza kuwezesha uchunguzi wa uhusiano kati ya miundo tofauti ya tathmini na tabia ya LMS.

Hatua muhimu zaidi inayofuata ni kujaribu uingiliaji halisi baada ya utabiri. Kwa mfano:

• ushauri wa mapema,
• maoni yaliyobinafsishwa,
• kuelekeza kwenye huduma za msaada wa ujifunzaji,
• nyenzo za ujifunzaji zinazobadilika kulingana na mahitaji

zinapotumika, mabadiliko katika matokeo halisi ya kitaaluma ya wanafunzi wa kundi la hatari yanapaswa kutathminiwa kwa tafiti zenye udhibiti.

Maelezo ya Chanzo na Mbinu

Utafiti wa asili: A Privacy-Conscious AI Framework for Early Identification of At-Risk Students Across Disciplines Using LMS Engagement Data

Waandishi: Hon-Sun Chiu, Adam Wong na Tung-Lok Wong

Taasisi: Division of Science, Engineering, and Health Studies, School of Professional Education and Executive Development, The Hong Kong Polytechnic University, Hong Kong, China.

Jarida: Education Sciences

Mwaka / Juzuu / Makala: 2026; 16; 1046.

Tarehe ya kuchapishwa: 1 Julai 2026.

DOI: 10.3390/educsci16071046

Chanzo rasmi:https://doi.org/10.3390/educsci16071046

Leseni: Creative Commons Attribution (CC BY).

Aina ya utafiti: Utafiti wa utabiri wa mapema wa hatari katika uchanganuzi wa ujifunzaji wa elimu ya juu na ujifunzaji wa mashine.

Kipindi cha data: Muhula wa pili wa mwaka wa masomo 2023–2024.

Idadi ya kozi: 236.

Kitengo cha kitaaluma: Vinne.

LMS: Blackboard.

Kiwango cha rekodi za LMS: Zaidi ya rekodi milioni 1,7 za mwingiliano wa wanafunzi.

Ufafanuzi wa hatari: Alama ya mwisho ya kozi kuwa C− au chini; takribani %5 ya seti ya data.

Modeli kuu: Random Forest Classifier.

Modeli saidizi: Random Forest Regressor na Multiple Linear Regression.

Uhandisi mkuu wa vipengele: Vigezo vya rank-based Days, Sessions, Total Time na Total Clicks kulingana na matumizi ya LMS ya wanafunzi ndani ya kozi zao, pamoja na Index changamani.

Vigezo vya muktadha wa kozi: EXAM, MODE na DIVISION.

Mbinu ya kutokuwiana kwa madarasa: SMOTE; ilitumika kwa data za mafunzo pekee baada ya mgawanyo wa train-test.

Matokeo makuu ya utendaji: Katika uainishaji wa kozi zote 236, iliripotiwa kuwa usahihi na alama ya F1 zilikuwa zaidi ya %90 kuanzia wiki ya tatu ya ufundishaji.

Ufadhili: Research Grants Council of the Hong Kong Special Administrative Region, China; Project No. UGC/FDS24/H06/23.

Bodi ya maadili: Katika makala, Institutional Review Board Statement imeripotiwa kama “Not applicable”.

Ridhaa ya taarifa: Imeripotiwa kama “Not applicable”.

Upatikanaji wa data: Seti ya data haishirikishwi wazi kwa sababu ya vikwazo vya faragha na maadili.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi. Imeelezwa kuwa mfadhili hakuwa na nafasi katika usanifu wa utafiti, ukusanyaji wa data, uchanganuzi, tafsiri, uandishi wa makala au uamuzi wa uchapishaji.

Tamko la matumizi ya akili bandia: Waandishi waliripoti kwamba wakati wa kuandaa makala walitumia Microsoft Copilot toleo 1.25054.80.0 kwa madhumuni ya proofreading pekee, walipitia na kuhariri matokeo yake, na walikubali kuwajibika kwa maudhui ya chapisho.

Maelezo makuu ya faragha: Utafiti hautumii data za kidemografia na za awali za kitaaluma kama viingizo vya modeli. Hata hivyo, kwa kuwa rekodi za tabia za LMS zinaweza kuwa na uwezo wa kumtambulisha mtu, mbinu hii inapaswa kutathminiwa kama “privacy-conscious”; isifasiriwe kuwa ina teknolojia rasmi ya privacy-preserving.

Maelezo makuu ya uwezo wa kujumlisha: Modeli ilijaribiwa katika kozi 236 zenye utofauti mkubwa na vitengo vinne vya kitaaluma ndani ya taasisi moja. Uthibitishaji huru wa nje katika vyuo vikuu na mazingira mengine ya LMS haukufanywa ndani ya utafiti huu.

Maelezo ya uundaji upya wa Verianla: Maudhui haya si tafsiri kamili ya Kiswahili ya makala chanzo. Muundo wa data wa makala, usanifu wa modeli, matokeo ya utendaji yanayoweza kuthibitishwa, mtazamo wa kimaadili na vikwazo vimetenganishwa katika kiwango cha taarifa za kisayansi na kupangwa upya ndani ya maelezo huru na ya kielimu ya Kiswahili kwa Verianla. Grafu na picha za skrini za chanzo hazijanakiliwa kwa muonekano; mahusiano muhimu ya kisayansi yamewasilishwa kwa maelezo mapya na majedwali ya HTML.