Системаи огоҳии барвақти бо дарназардошти махфият равиши пешгӯист, ки бидуни истифодаи маълумоти ҳассостар, ба монанди хусусиятҳои демографӣ ё собиқаи академии донишҷӯ, аз намунаҳои рафтор дар системаи идоракунии омӯзиш сигнали хатари академӣ ҳосил кардан мехоҳад. Таҳқиқоти Hon-Sun Chiu, Adam Wong ва Tung-Lok Wong бо истифода аз зиёда аз 1,7 миллион сабти ҳамкории Blackboard аз 236 дарси бакалаврии Hong Kong Polytechnic University пешгӯии категорияҳои натиҷаи донишҷӯёнро дар охири семестр аз ҳафтаҳои аввал меомӯзад.

Яке аз ҷанбаҳои аслии таҳқиқот ин аст, ки ба ҷойи муқоисаи мустақими арзишҳои хоми истифодаи LMS байни дарсҳо, аз rank-based engagement features, яъне аз ҷойгоҳҳои нисбии иштироки донишҷӯ дар дохили ҳар дарс истифода мешавад. Масалан, на танҳо шумораи рӯзҳое, ки донишҷӯ ба Blackboard ворид шудааст, шумораи сессияҳо ё шумораи кликҳо, балки ҷойгоҳи ӯ нисбат ба дигар донишҷӯёни ҳамон дарс ҳисоб карда мешавад.

Далели ин равиш равшан аст: истифодаи 10-соатаи Blackboard барои дарсе, ки пурра рӯ ба рӯ гузаронида мешавад, метавонад хеле зиёд бошад, вале барои дарси дигаре, ки фаъолияти зиёди онлайнро талаб мекунад, кам бошад. Аз ин рӯ, арзишҳои хоми клик ё вақт дар дарсҳои гуногун шояд маънои яксон надошта бошанд. Рутбабандии нисбӣ кӯшиш мекунад рафтори донишҷӯро дар заминаи дарси худаш нишон диҳад ва муқоисаи байни фанҳоро маънодортар созад.

Дар таҳлиле, ки бо таснифгари Random Forest анҷом дода шуд, нишондиҳандаҳои дақиқӣ ва F1-и модели умумӣ аз ҳафтаи сеюми таълим аз %90 боло рафтанд. Ин нишон медиҳад, ки пеш аз ташаккули имтиҳонҳо ё баҳоҳои охири семестр метавон сигнали барвақтеро барои хатари академӣ ба даст овард, ки қобили истифода бошад.

Аммо дақиқии баланди модел нишон намедиҳад, ки як дахолати дастгирӣ муваффақияти донишҷӯёнро беҳтар кардааст. Муҳаққиқон таъсири машварати барвақт, бозхӯрди фардӣ ё дигар дахолатҳои дастгириро насанҷидаанд. Он чизе, ки таҳқиқот нишон медиҳад, ин аст, ки пешгӯии барвақт имконпазир аст; самаранокии воқеии дахолатҳое, ки бар асоси ин пешгӯӣ анҷом дода мешаванд, бояд дар оянда ҷудогона таҳқиқ шавад.

Чаро донишгоҳҳо мехоҳанд донишҷӯро дар ҳафтаи сеюм муайян кунанд?

Муайянсозии анъанавии хатари академӣ бисёр вақт пас аз он фаъол мешавад, ки донишҷӯ баҳои пасти имтиҳон гирифтааст, муҳлати супоридани вазифаҳоро аз даст додааст ё ғоибшавӣ равшан шудааст. Дар ин ҳолат қисми муҳими вақти мавҷуд барои дастгирӣ метавонад аллакай аз даст рафта бошад.

Системаҳои идоракунии омӯзиш бошад нишонаҳои рафтории хеле барвақтро дар бораи муносибати донишҷӯ бо дарс ба вуҷуд меоранд. Маълумоте мисли кадом рӯзҳо ба Blackboard ворид шудани донишҷӯ, чанд сессия анҷом додан, ба чанд мавод клик кардан ва чанд вақт дар система мондан пеш аз имтиҳони аввал ба вуҷуд меояд.

Саволи асосии ин таҳқиқот чунин аст:

Оё бидуни истифода аз собиқаи шахсии демографӣ ё баҳои пешинаи донишҷӯ, танҳо аз рӯи рафтори барвақти ӯ дар LMS метавон пешгӯӣ кард, ки дар охири семестр зери хатар хоҳад буд ё не?

Маълумот аз куҷо меояд?

Таҳқиқот дар муҳити School of Professional Education and Executive Development-и The Hong Kong Polytechnic University анҷом дода шудааст.

Маҷмӯи маълумот дарсҳои чор бахши академиро фаро мегирад:

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

Дар семестри дуюми соли таҳсилии 2023–2024 236 дарси бакалаврӣ ба таҳқиқот дохил карда шудааст. Дарсҳо шаклҳои омӯзиши рӯ ба рӯ, онлайн ва гибридӣ, инчунин сохторҳои гуногуни арзёбиро бо имтиҳон ва бе имтиҳон дар бар мегиранд.

Аз журналҳои фаъолияти донишҷӯёни Blackboard зиёда аз 1,7 миллион сабт гирифта шудааст.

Оё Кликҳои Бештари Донишҷӯ Маънои Муваффақияти Бештарро Дорад?

Не. Ин яке аз натиҷаҳои муҳими мақола низ ҳаст.

Азбаски тарзи истифодаи LMS дар дарсҳои гуногун хеле фарқ мекунад, коррелятсия байни арзишҳои хоми фаъолият ва баҳои дарс умуман паст аст. Масалан, дар баъзе дарсҳо донишҷӯён қисми зиёди маводро рӯ ба рӯ меомӯзанд; дар дарси дигар қариб тамоми фаъолият метавонад тавассути Blackboard анҷом дода шавад.

Аз ин рӯ, сохтани қоидаи умумии “клики бештар = муваффақияти бештар” дуруст нест.

Муқоисаҳои саҳифаи 14-и мақола нишон медиҳанд, ки дар ҳамаи чор бахши академӣ коррелятсия байни хусусиятҳои хоми LMS ва баҳоҳо паст аст. Масалан, коррелятсия байни шумораи рӯзҳои воридшавӣ ба платформа ва баҳои дарс тақрибан аз 0,142–0,203 тағйир меёбад ва дар баъзе тағйирёбандаҳои шиддати клик ҳатто арзишҳои манфӣ дида мешаванд.

Баръакс, графики ҳамон саҳифа, ки фаъолияти донишҷӯро аз рӯи категорияҳои баҳо нишон медиҳад, нишон медиҳад, ки донишҷӯёни дорои баҳои баландтар умуман бештар ба система ворид мешаванд, сессияҳои бештар анҷом медиҳанд ва ҳамкории бештар доранд.

Ин ду натиҷа зиддият надоранд. Намунаи умумии рафтор вуҷуд дорад; аммо маънои рақамҳои хом ба сохтори ҳар дарс вобаста аст.

Хусусиятҳои Rank-Based Engagement Чистанд?

Ҳалли пешниҳодкардаи муҳаққиқон ҳисоб кардани фаъолияти мутлақи LMS-и донишҷӯ нест, балки ҷойгоҳи нисбии ӯ нисбат ба дигар донишҷӯёни ҳамон дарс аст.

Ҳамин тавр, ба ҷойи маълумоти “20 маротиба ворид шуд”, аз маълумоте истифода мешавад, ки донишҷӯ нисбат ба қисми муҳими донишҷӯёни дарси худ бештар ё камтар ҳамкорӣ кардааст.

Ин табдилот кӯшиш мекунад шиддати гуногуни истифодаи LMS-ро байни дарсҳо то андозае стандартӣ кунад.

Чаро танҳо вақт боэътимод нест?

Муҳаққиқон махсусан қайд мекунанд, ки вақти умумӣ дар LMS метавонад мушкилсоз бошад.

Донишҷӯ метавонад файлро дар Blackboard кушояд ва компютерро фаъол гузорад. Гарчанде система вақти дарози дастрасиро сабт кунад, эҳтимол донишҷӯ воқеан бо мавод ҳамкорӣ накунад.

Аз ин рӯ, муҳаққиқон танҳо ба вақт такя накарда, дар тағйирёбандаи Index рӯзи дастрасӣ, шумораи сессияҳо ва шумораи умумии кликҳоро якҷо кардаанд.

Бо донишҷӯёне, ки тамоман ба система ворид намешаванд, чӣ мешавад?

Бартарии дигари равиши rank-based дар он аст, ки донишҷӯёне, ки дар ҳафтаҳои аввал тамоман ба Blackboard ворид намешаванд, аз маҷмӯи маълумот гум намешаванд.

Дар равиши хусусиятҳои хом, донишҷӯи бе сабти фаъолият метавонад дар баъзе таҳлилҳо бинобар арзиши гумшуда хориҷ шавад. Дар ин таҳқиқот чунин донишҷӯён ба пасттарин rank-и дарси худ ҷойгир карда шуда, дар маҷмӯи маълумот нигоҳ дошта мешаванд.

Барои системаҳои огоҳии барвақт ин махсусан муҳим аст; зеро набудани ягон фаъолияти LMS метавонад худ як сигнали эҳтимолии канорагирӣ аз иштирок бошад.

Ибораи “Бо Дарназардошти Махфият” Дар Асл Чӣ Маъно Дорад?

Таҳқиқот маълумоти зерини донишҷӯёнро:

• ҷинс,
• синну сол,
• вазъи иҷтимоӣ-иқтисодӣ,
• собиқаи академии қаблӣ,
• GPA ё сабтҳои пешинаи баҳо

ҳамчун вуруди модели пешгӯӣ истифода намекунад.

Манбаи асосии маълумот рафтори донишҷӯ дар дохили LMS аст.

Аз ин рӯ, ин равиш нисбат ба бисёр системаҳои пешгӯии таълимӣ маълумоти шахсии камтар истифода мекунад ва ба принсипи камкунии ҳаҷми маълумот наздиктар аст.

Аммо дар ин ҷо маҳдудияти муҳими истилоҳӣ вуҷуд дорад. Худи мақола низ эътироф мекунад, ки маълумоти рафтории LMS метавонад эҳтимолан шахсро муайян кунад.

Аз ин рӯ, ибораи “privacy-conscious”, ки дар ин ҷо истифода шудааст:

маънои “системае, ки махфияти донишҷӯро бо кафолати математикӣ таъмин мекунад”-ро надорад.

Дар таҳқиқот механизмҳои formal privacy-preserving, аз қабили differential privacy ё federated learning, татбиқ нашудаанд. Муаллифон равиши худро нисбат ба онҳо ҳамчун алтернативаи соддатар ва аз нигоҳи муассисавӣ татбиқшавандаи камкунии маълумот ҷой медиҳанд.

Донишҷӯи Зери Хатар Чӣ Гуна Таъриф Шуд?

Донишҷӯён аз рӯи баҳои охири семестри дарс ба се синф ҷудо шудаанд:

Донишҷӯёни зери хатар тақрибан %5-и маҷмӯи умумии маълумотро ташкил медиҳанд.

Ин таносуб дар омӯзиши мошинӣ мушкили муҳим эҷод мекунад: модел метавонад танҳо гурӯҳи аксариятро пешгӯӣ кунад ва дақиқии зоҳиран баланд ба даст оварад.

Чаро SMOTE Истифода Шуд?

Дар маҷмӯи маълумот ҳам донишҷӯёни зери хатар ва ҳам донишҷӯёни дорои натиҷаи хеле баланд нисбат ба гурӯҳи аксарият камтаранд. Ин ҳолат номутавозунии синфҳо номида мешавад.

Муҳаққиқон барои коҳиш додани ин мушкил Synthetic Minority Over-sampling Technique, яъне SMOTE-ро истифода кардаанд.

SMOTE ба ҷойи он ки намунаҳои мавҷудаи синфи камшуморро танҳо нусхабардорӣ кунад, аз хусусиятҳои ин намунаҳо намунаҳои нави синтетикии омӯзишӣ месозад.

Нуктаи муҳими методологӣ чунин аст: муҳаққиқон аввал маълумоти омӯзишӣ ва санҷиширо ҷудо карда, SMOTE-ро танҳо ба маҷмӯи омӯзишӣ татбиқ кардаанд.

Бо ин роҳ кӯшиш шудааст, ки намунаҳои синтетикӣ ба маҷмӯи санҷишӣ роҳ наёбанд ва натиҷаи моделро ба таври сунъӣ баланд накунанд.

Усул ва Натиҷаҳои Таҳқиқот

Моделҳои истифодашуда

Дар таҳқиқот се модели асосӣ истифода шудааст:

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

Моделҳои регрессия барои пешгӯии натиҷаи донишҷӯ ҳамчун арзиши пайваста муқоиса шудаанд. Random Forest Regressor нисбат ба регрессияи хаттӣ R²-и баландтар ва хатои миёнаи квадратии пасттар нишон додааст.

Аммо диққати асосии таҳқиқот регрессия нест, балки таснифи Random Forest аст, ки донишҷӯёнро ба се категорияи натиҷа ҷудо мекунад.

Интихоби хусусиятҳо чӣ гуна анҷом дода шуд?

Тағйирёбандаҳои қобили истифода дар модел бо усули SelectKBest арзёбӣ шудаанд.

Натиҷаи намунавии SelectKBest дар саҳифаи 17-и мақола ва муқоисаи баъдӣ нишон медиҳад, ки хусусиятҳои rank-based одатан нисбат ба хусусиятҳои хоми LMS холҳои баландтари интихоб мегиранд.

Дар графики саҳифаи 18-и мақола низ дида мешавад, ки бо гузашти ҳафтаҳои таълим ҳиссаи интихоби хусусиятҳои rank-based нисбат ба хусусиятҳои хом ба таври назаррас баланд мемонад.

Аз ин рӯ, дар моделҳои асосии минбаъдаи пешгӯӣ хусусиятҳои rank-based афзал дониста шудаанд.

Санҷиши аввал: дарсҳои калон

Арзёбии аввалини натиҷа дар 16 дарси калоне анҷом дода шуд, ки имтиҳон доштанд ва андозаи синф аз 80 бештар буд.

Ин зернамуна 2341 донишҷӯро фаро мегирад.

Маълумот дар сатҳи донишҷӯ ба таври табақабандишуда ба %70 маҷмӯи омӯзишӣ ва %30 маҷмӯи санҷишӣ ҷудо карда шуд; диққат дода шуд, ки маълумоти як донишҷӯ ба ҳар ду тараф паҳн нашавад. Дар қисми омӯзишӣ санҷиши салибии панҷқабата истифода шуд ва SMOTE танҳо ба маълумоти омӯзишӣ татбиқ гардид.

Дар ин таснифи аввал, ҳангоми истифодаи хусусиятҳои rank-based ҳам дақиқӣ ва ҳам F1-и Random Forest Classifier аз %80 боло рафт.

Модел чӣ гуна ба ҳамаи 236 дарс васеъ карда шуд?

Дарсҳои гуногун на танҳо аз рӯи рафтори донишҷӯ, балки аз рӯи сохтори таълим ва арзёбӣ низ фарқ мекунанд. Аз ин рӯ, муҳаққиқон ба панҷ тағйирёбандаи rank-based се тағйирёбандаи заминаи дарсро илова карданд:

• EXAM: мавҷуд будан ё набудани имтиҳон дар дарс,
• MODE: таълими рӯ ба рӯ, онлайн ё гибридӣ,
• DIVISION: бахши академие, ки дарс ба он тааллуқ дорад.

Ҳамин тавр, дар модели асосӣ дар маҷмӯъ ҳашт вуруд истифода шудааст.

Оё Дар Ҳафтаи Сеюм Пешгӯии Аз %90 Боло Воқеан Ба Даст Омад?

Бале; дар дохили тарҳи санҷишии худи ин таҳқиқот, дақиқӣ ва F1-и таснифи Random Forest, ки ҳамаи 236 дарсро фаро мегирифт, аз ҳафтаи сеюми таълим аз %90 боло рафт.

Ҷадвали 6 дар манбаъ доираи умумии натиҷаи таҳқиқотро тақрибан %87–93 дақиқӣ ҷамъбаст мекунад.

Графики саҳифаи 22-и мақола, ки ҳамаи 236 дарсро фаро мегирад, низ афзоиши босуръати натиҷаро аз ҳафтаи аввал то сеюм ва баъдан каҷеро нишон медиҳад, ки аз %90 боло мемонад.

Ин натиҷа нишон медиҳад, ки хатари академиро метавон пеш аз шакл гирифтани баҳои ниҳоӣ ё имтиҳонҳои охири семестр муайян кард.

Чаро ду ҳафтаи аввал бадтаранд?

Дар тақвими академии муассиса ду ҳафтаи аввал давраи илова ва хориҷ кардани дарсҳо мебошад.

Азбаски донишҷӯён метавонанд дарсро иваз кунанд ё сабти номи онҳо ҳанӯз ниҳоӣ нашуда бошад:

• сабтҳои ҳамкории LMS камтаранд,
• рӯйхатҳои синф ҳанӯз тағйир меёбанд,
• намунаи рафтори донишҷӯ ҳанӯз ба қадри кофӣ шакл нагирифтааст.

Ҳафтаи сеюм нуқтаи расмии ҳисобгирии сабти ном аст. Муҳаққиқон қайд мекунанд, ки натиҷаи пасттари ду ҳафтаи аввал метавонад ба ин замина вобаста бошад.

Чаро модел дар синфҳои калон каме қавитар аст?

Натиҷаҳо нишон медиҳанд, ки иҷрои пешгӯӣ дар дарсҳои калон умуман нисбат ба дарсҳои миёна ва хурд баландтар аст.

Муҳаққиқон пешниҳод мекунанд, ки яке аз сабабҳои эҳтимолӣ метавонад ин бошад, ки тақсимоти баҳо дар синфҳои калон мунтазамтар ва ба тақсимоти муқаррарӣ наздиктар мешавад.

Дар синфҳои хурд ҳатто рафтори фарқкунандаи чанд донишҷӯ метавонад сохтори тақсимотро бештар тағйир диҳад ва робитаи байни хусусиятҳои rank-based ва баҳои ниҳоиро мураккабтар нишон диҳад.

Ин тавзеҳ тафсири таҳқиқот аст; он ки андозаи синф мустақиман сабаби фарқи иҷро бошад, ба таври таҷрибавӣ санҷида нашудааст.

Гарчанде at-risk донишҷӯён аксарият нестанд, оё модел онҳоро муайян карда метавонад?

Дар графикҳои precision, recall ва F1 аз рӯи синф дар саҳифаҳои 23. ва 24.-и мақола, натиҷаҳои синфҳои камшумори зери хатар ва дорои иҷрои баланд дар аксари ҳафтаҳо аз синфи “муқаррарӣ”, ки аксариятро ташкил медиҳад, пасттар нестанд; ҳатто аз ҷиҳати precision ва F1 баландтар ба назар мерасанд.

Муаллифон инро ба он рабт медиҳанд, ки баъд аз татбиқи SMOTE модел сарҳадҳои қарорро барои синфҳои камшумор беҳтар меомӯзад.

Гарчанде ин натиҷа нишон медиҳад, ки мушкили номутавозунии синфҳо дар ин маҷмӯи маълумот то андозаи зиёд назорат шудааст, ин маъно надорад, ки ҳамон намуна ҳатман дар донишгоҳҳои дигар низ такрор мешавад.

Оё Модел Аз Нокомии Донишҷӯ Пешгирӣ Мекунад?

Не; ин таҳқиқот инро насанҷидааст.

Модел метавонад донишҷӯро дар марҳилаи барвақт ба категорияи хатар ҷудо кунад. Аммо пас аз пешгӯӣ:

• додани машварат ба донишҷӯ,
• фиристодани бозхӯрди фардӣ,
• роҳнамоӣ ба хадамоти дастгирии омӯзиш,
• пешниҳоди маводи мутобиқшаванда

ва монанди ин, оё воқеан муваффақияти донишҷӯро беҳтар мекунанд ё не, ба доираи таҷрибавии ин таҳқиқот дохил намешавад.

Аз ин рӯ, муаллифон системаро на ҳамчун ҳалли ниҳоӣ, балки ҳамчун зерсохтори огоҳии барвақт, ки метавонад дастгирии фаъолонаи донишҷӯро оғоз кунад, ҷой медиҳанд.

Умумиятпазирии Байнифаннӣ То Чӣ Андоза Исбот Шуд?

Азбаски таҳқиқот ба ҷойи як дарс 236 дарси гуногун, чор бахши академӣ, андозаҳои гуногуни синф, шаклҳои гуногуни арзёбӣ ва муҳитҳои таълими рӯ ба рӯ/онлайн/гибридиро фаро мегирад, нисбат ба бисёр таҳқиқоти таҳлили омӯзиш гуногунии дохилии васеъ дорад.

Ҳадафи асосии хусусиятҳои rank-based низ устувор будан нисбат ба ҳамин гетерогенӣ аст.

Аммо ҳамаи маълумот аз дохили як низоми донишгоҳӣ гирифта шудааст.

Аз ин рӯ, он чизе, ки дар ин ҷо нишон дода шудааст:

моделест, ки дар байни сохторҳои хеле гуногуни фан ва дарс дар дохили як муассиса кор мекунад.

Ин мақола ҳанӯз тасдиқ намекунад, ки ҳамон сатҳи дақиқӣ дар кишварҳои дигар, системаҳои гуногуни LMS ё гурӯҳҳои дигари донишҷӯён нигоҳ дошта мешавад.

Аз ин рӯ, “cross-disciplinary generalizability” натиҷаи қавии дохилии таҳқиқот аст; аммо “cross-institutional generalizability” масъалаест, ки бояд дар оянда ҷудогона тасдиқ шавад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Ҳангоми муқоисаи мустақими арзишҳои хоми фаъолияти LMS байни дарсҳои хеле гуногун, қувваи пешгӯӣ метавонад заиф шавад.
• Хусусиятҳои бар асоси ҷойгоҳи нисбӣ дар дохили дарс метавонанд дар байни дарсҳои гетерогенӣ нишондиҳандаҳои устувортари рафтор эҷод кунанд.
• Таснифи Random Forest дар ин маҷмӯи маълумот иҷрои қавӣ нишон додааст.
• Модели дар ҳамаи 236 дарс истифодашуда аз ҳафтаи сеюм дақиқӣ ва F1-и зиёда аз %90 ба даст овардааст.
• Пешгӯии қавии барвақт бидуни истифодаи маълумоти демографӣ ва академии қаблӣ имконпазир аст.
• Илова кардани тағйирёбандаҳои заминавӣ, ба монанди реҷаи дарс, мавҷудияти имтиҳон ва бахши академӣ, иҷрои пешгӯиро беҳтар кардааст.
• Пас аз SMOTE синфҳои камшумори натиҷа аз ҷониби модел ба таври қавӣ фарқ карда шудаанд.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Исбот нашудааст, ки модел нокомии донишҷӯёнро кам мекунад.
• Ба таври таҷрибавӣ нишон дода нашудааст, ки огоҳии барвақт давомнокии таҳсил ё сатҳи хатмро зиёд мекунад.
• Тасдиқ нашудааст, ки модел дар донишгоҳҳои дигар ҳамон натиҷаи %90+ медиҳад.
• Гуфтан мумкин нест, ки фаъолияти LMS омӯзиши воқеии донишҷӯро комилан чен мекунад.
• Хулоса баровардан мумкин нест, ки истифодаи бештари Blackboard худ ба худ сабаби муваффақияти бештар мешавад.
• Система кафолати formal differential privacy ё federated learning намедиҳад.

Маҳдудиятҳои муҳимтарин

Маҳдудияти якум: сатҳи ҷузъиёти сабтҳои LMS. Blackboard метавонад нишон диҳад, ки донишҷӯ файлро кушодааст; аммо дақиқ нишон намедиҳад, ки ӯ воқеан хондааст ё файлро кушода гузошта, ба кори дигар машғул шудааст.

Маҳдудияти дуюм: сатҳи ҷузъиёти маълумоти арзёбӣ. Ҷадвалҳои баҳогузории муассисавӣ категорияҳои сатҳи баланд, ба монанди “санҷиш”, “супориш” ё “лоиҳаи гурӯҳӣ”-ро пешниҳод мекунанд. Ҷузъиёте, ба монанди аз чанд қисм иборат будани санҷиш ё онлайн, маҳдуди вақт ё кори хонагӣ будани супориш, дар модел мавҷуд нест.

Маҳдудияти сеюм: санҷиши берунии байни муассисаҳо вуҷуд надорад. Гарчанде маълумот бисёрфаннӣ аст, он аз сохтори як донишгоҳ гирифта шудааст.

Маҳдудияти чорум: изи рафтор бо худи омӯзиш баробар нест. Кликҳо, сессияҳо ва вақти платформа танҳо изҳои рақамии омӯзишро нишон медиҳанд; фаҳмиш, ҳавасмандӣ ё вақти омӯзиши офлайнии донишҷӯ мустақиман чен карда намешавад.

Маҳдудияти панҷум: кафолати махфият маҳдуд аст. Истифода нашудани маълумоти демографӣ аз ҷиҳати махфият бартарӣ дорад; аммо худи сабтҳои LMS низ маълумоти рафтории инфиродӣ мебошанд.

Таҳқиқоти оянда чиро бояд бисанҷад?

Муаллифон пешниҳод мекунанд, ки дар оянда сабтҳои муфассалтари рӯйдодҳои LMS истифода шаванд. Агар ба таври муфассалтар чен карда шавад, ки донишҷӯ кадом мундариҷаро танҳо кушодааст, бо кадомаш фаъолона кор кардааст ва рафторҳо дар дохили сессия чӣ гуна тағйир ёфтаанд, маънои педагогии пешгӯиҳо метавонад қавитар шавад.

Ба ҳамин монанд, сабти муфассалтари сохтори супориш ва имтиҳон метавонад омӯзиши робитаи байни тарҳҳои гуногуни арзёбӣ ва рафтори LMS-ро имконпазир созад.

Муҳимтарин қадами навбатӣ санҷидани дахолати воқеӣ баъд аз пешгӯӣ аст. Масалан:

• машварати барвақт,
• бозхӯрди фардӣ,
• роҳнамоӣ ба хадамоти дастгирии омӯзиш,
• маводи омӯзишии мутобиқшаванда

ҳангоми татбиқ, бояд бо таҳқиқоти назоратшаванда арзёбӣ шавад, ки оё натиҷаҳои воқеии академии донишҷӯёни гурӯҳи хатар тағйир меёбанд ё не.

Ёддошт оид ба Манбаъ ва Усул

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

Муаллифон: Hon-Sun Chiu, Adam Wong ва Tung-Lok Wong

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

Маҷалла: Education Sciences

Сол / Ҷилд / Мақола: 2026; 16; 1046.

Санаи нашр: 1 июли 2026.

DOI: 10.3390/educsci16071046

Манбаи расмӣ:https://doi.org/10.3390/educsci16071046

Иҷозатнома: Creative Commons Attribution (CC BY).

Навъи таҳқиқот: Таҳқиқоти пешгӯии барвақти хатар дар таҳлили омӯзиши таҳсилоти олӣ ва омӯзиши мошинӣ.

Давраи маълумот: Семестри дуюми соли таҳсилии 2023–2024.

Шумораи дарсҳо: 236.

Бахши академӣ: Чор.

LMS: Blackboard.

Миқёси сабтҳои LMS: Зиёда аз 1,7 миллион сабти ҳамкории донишҷӯён.

Таърифи хатар: Баҳои охири семестри дарс C− ё поёнтар; тақрибан %5-и маҷмӯи маълумот.

Модели асосӣ: Random Forest Classifier.

Моделҳои ёрирасон: Random Forest Regressor ва Multiple Linear Regression.

Муҳандисии асосии хусусиятҳо: Тағйирёбандаҳои rank-based Days, Sessions, Total Time ва Total Clicks аз рӯи истифодаи LMS-и донишҷӯ дар дарси худ ва Index-и таркибӣ.

Тағйирёбандаҳои заминаи дарс: EXAM, MODE ва DIVISION.

Усули номутавозунии синфҳо: SMOTE; пас аз ҷудокунии train-test танҳо ба маълумоти омӯзишӣ татбиқ шудааст.

Натиҷаи асосии иҷро: Дар таснифи ҳамаи 236 дарс гузориш шудааст, ки дақиқӣ ва F1 аз ҳафтаи сеюми таълим аз %90 боло мебошанд.

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

Кумитаи ахлоқ: Дар мақола Institutional Review Board Statement ҳамчун “Not applicable” гузориш шудааст.

Ризоияти огоҳона: Ҳамчун “Not applicable” гузориш шудааст.

Дастрасӣ ба маълумот: Маҷмӯи маълумот бинобар маҳдудиятҳои махфият ва ахлоқӣ ба таври кушода мубодила намешавад.

Бархӯрди манфиатҳо: Муаллифон бархӯрди манфиатҳоро гузориш накардаанд. Гуфта шудааст, ки маблағгузор дар тарҳи таҳқиқот, ҷамъоварии маълумот, таҳлил, тафсир, навиштани мақола ё қарори нашр нақш надоштааст.

Изҳороти истифодаи зеҳни сунъӣ: Муаллифон гузориш кардаанд, ки ҳангоми омода кардани мақола Microsoft Copilot версияи 1.25054.80.0-ро танҳо барои proofreading истифода карда, натиҷаҳоро бозбинӣ ва таҳрир кардаанд ва масъулияти мундариҷаи нашрро қабул мекунанд.

Ёддошти асосии махфият: Таҳқиқот маълумоти демографӣ ва академии қаблиро ҳамчун вуруди модел истифода намекунад. Бо вуҷуди ин, азбаски сабтҳои рафтории LMS эҳтимолан метавонанд шахсро муайян кунанд, равиш бояд ҳамчун “privacy-conscious” арзёбӣ шавад; набояд чунин тафсир шавад, ки он технологияи formal privacy-preserving-ро дар бар мегирад.

Ёддошти асосии умумиятпазирӣ: Модел дар 236 дарси гетерогенӣ ва чор бахши академии як муассиса санҷида шудааст. Санҷиши мустақили берунии он дар донишгоҳҳо ва муҳитҳои дигари LMS дар доираи ин таҳқиқот анҷом дода нашудааст.

Ёддошти бозсохтори Verianla: Ин мундариҷа тарҷумаи пурраи тоҷикии мақолаи манбаъ нест. Сохтори маълумот, меъмории модел, натиҷаҳои санҷишшавандаи иҷро, равиши ахлоқӣ ва маҳдудиятҳои мақола дар сатҳи маълумоти илмӣ ҷудо шуда, дар як баёни мустақил ва омӯзишии тоҷикӣ барои Verianla аз нав сохторбандӣ шудаанд. Графикҳо ва тасвирҳои экрани манбаъ ба таври визуалӣ нусхабардорӣ нашуда, робитаҳои зарурии илмӣ бо тавзеҳоти нав ва ҷадвалҳои HTML пешниҳод шудаанд.