تحليلات التعلّم

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

تحليلات التعلّم — قياس البيانات عن المتعلمين وسياقاتهم وجمعها وتحليلها والإبلاغ عنها بغرض فهم التعلم وتحسينه. حوّل الذكاء الاصطناعي تحليلات التعلّم من لوحات معلومات وصفية إلى أنظمة تنبؤية وتوجيهية.

أسئلة للتأمل

• يفترض معظم الناس أن جمع المزيد من بيانات التعلّم يحسّن التعليم تلقائيًا. تجادل الصفحة بأن التحليلات لا تصبح ذات معنى إلا عندما تتغذى راجعةً في تدخل — وإلا فهي تقتصر على وصف أو إشارة دون تغيير التعلم. أين رأيت بيانات تُجمع ولم تؤدِ قط إلى أي إجراء؟
• تخيّل أن لوحة معلومات تخبرك أن طالبًا "في خطر" — هذا تنبؤ. ما الذي يفصل ذلك عن إرشاد قابل للتنفيذ فعليًا يمكن لمدرس أو مؤسسة أن يقوم به؟ تقترح الصفحة أن التنبؤ وحده لا يكفي.
• تلاحظ الصفحة أن الذكاء الاصطناعي نقل تحليلات التعلّم من وصف ما حدث إلى التنبؤ بما سيحدث ووصف ما يجب فعله بعد ذلك. أي هذه الأجيال الثلاثة عشتها، وما الذي كان مفقودًا في الآخرين؟
• في إحدى الدراسات، أنتجت ثلاثة نماذج مختلفة من الذكاء الاصطناعي خطط دعم مختلفة جذريًا لنفس بيانات الطالب، وكانت الروابط بين مؤشرات التحليلات والمساعدة الموصى بها ضعيفة في معظمها. ماذا يشير ذلك عن الثقة بنصيحة الذكاء الاصطناعي على وجهها؟
• تقف تحليلات التعلّم في توتر مع الخصوصية: كلما زادت دقة البيانات زاد كشفها — وزادت قوة التدخل. أين ترسم الخط على ما يُجمع عنك أو عن طلابك، ومن ينبغي أن يقرر؟

مقدمة

التحليلات المعززة بالذكاء الاصطناعي

• التحليلات التنبؤية: تعلّم الآلة على بيانات تفاعل المتعلم يتنبأ بالنتائج — من تحديد المعرضين للخطر إلى تقدير حالة المعرفة.

• التحقق من الصلاحية لا يقل أهمية عن التنبؤ. يُظهر Schuetze, Yan, and Carvalho (2025) أن نماذج حالة المعرفة التنبؤية (BKT، وBKT-with-Forgetting، وAFM) تبدو دقيقة عند ملاءمتها تراجعيًا لتاريخ جلسة كامل، لكنها بموجب التحقق المتقاطع المبني على الزمن — التنبؤ بالجلسة التالية من الجلسات السابقة، وهو كيفية نشر التحليلات فعلًا — تبالغ في تقدير أداء المتعلم، وتفوّت ديناميكيات التباعد/النسيان، وقد تُخطئ في ترتيب شروط التدريب. التحذير للتحليلات: الملاءمة التراجعية قد تحجب ضعف الصلاحية التنبؤية التقدمية على البيانات الطولية، فيجب التحقق من نماذج المؤشرات ولوحات المعلومات سيرًا إلى الأمام.

• تحقق من خرائط السمات-البنود الكامنة وراء التقدير. مصفوفة Q التي تربط البنود بالسمات هي افتراض لا بيانات: بندود مرفوضة لـ14 من 918 بند تفكير تحليلي، وبعد تصحيحها، خفضت نمط حالة المعرفة الزائف من 14.2% إلى 3.8% — فيجب على تحليلات الإتقان تدقيق مصفوفة Q الخاصة بها، لا ملاءمتها التنبؤية فحسب (Feng & Huang, 2026).

• تحليلات تنبؤية مرتكزة على المنهج الدراسي: Pradeesh et al. (2026) يقدّرون حالات المعرفة داخل التعليم القائم على النواتج بتتبع نواتج المقررات مباشرةً من بيانات التفاعل والتحصيل في نظام إدارة التعلّم، مستخدمين خرائط ألفة OBE (علاقات نواتج المقرر–البرنامج) لبناء روابط المفاهيم وشبكة معززة بالذاكرة لنمذجة أثر النواتج المتقاطع — محققين 89.81% AUC ومتفوقين على DKT وDKVMN وEKT وSimpleKT على بيانات هندسة جامعية حية، مع بقائهم تنافسيين فقط (لا متفوقين) على بيانات ASSISTments للأغراض العامة.

• تنبؤ تفسيري بالتقدم مع نافذة إجراء: Zhang, Jeffries & Koprinska (2025) يتنبأون بتقدم الطلاب على مستوى الوحدات في مقررات برمجة ضخمة النطاق عبر الإنترنت من سمات سجلات التفاعل مع المحتوى، باستخدام أشجار قرار زجاجية تطابق دقة النماذج السوداء (85–91%) مع إشارتها إلى نتائج التسرب من نوع "عدم التسليم" قبل 7–8 أيام من مواعيد إنجاز الوحدات — نافذة صريحة في الزمن الحقيقي لـالتدخل بدلًا من مجرد إشارة خطر مجردة، إلى جانب تصنيف استكشافي لأنماط المنفصل المعرض للخطر والمنفصل الناجح والمتفاعل عالي الأداء.

• نمذجة خطر فيدرالية وقابلة للتفسير عبر المؤسسات (2026). يوسّع Villegas-Ch et al. (2026) نمذجة الخطر إلى ما هو أبعد من التنبؤ داخل مؤسسة واحدة بتدريب نموذج متعدد المهام (الأداء + التسرب) عبر مؤسسات محاكاة عبر التعلّم الفيدرالي، حتى لا تترك بيانات الطلاب الخام كل مؤسسة. في ظل تباين مضبوط (انحراف التسميات، وعدم توازن الأصناف، والانحراف الزمني، والفقد البنيوي) يحافظ النموذج على دقة الترتيب (OULAD AUC 0.918) وترتيبات أهمية السمات المستقرة بنيويًا، لكن معايير الاحتمال تنزلق — مما يفصل أداء الترتيب عن موثوقية الاحتمال. بالنسبة لأنظمة الإنذار المبكر، هذا تحذير من أن التدخلات القائمة على عتبات قد تحتاج معايرة لكل مؤسسة، وحجة لتقييم التحليلات على التمييز والمعايرة والصلابة وقابلية التفسير معًا.

• التحقق من البيانات التركيبية شرط مسبق للتحليلات الحافظة للخصوصية. فحص بنيوي لإصدارات تركيبية من أربع دفعات سنوية لعادات الدراسة (117–120 متعلّمًا على مدى ثمانية عشر أسبوعًا) وجد أن واصفات التقسيم تتفق ارتباطًا وثيقًا في دفعتين من أربع، بينما كان التباين من أسبوع لآخر أقل بمقدار 2.6 إلى 4.9 مرة دون استثناء (معامل التباين 0.086–0.152 مقابل 0.399–0.539 للدفعات الحقيقية)، و3% فقط من النتائج المُحصلة على بيانات تجريبية تركيبية تأكدت على البيانات الحقيقية عبر خمسة وعشرين طلب تحقق (Inoue & Yasutake (2026)).

• تحليلات التفاعل: قياس التفاعل ونمذجة الكثافة تُقدّران كيف يتفاعل الطلاب مع أنظمة الذكاء الاصطناعي.

• تحليلات التغذية الراجعة: تصنيف التغذية الراجعة وتقييم الجودة يحللان التغذية الراجعة التي يتلقاها الطلاب.

• تحليل الشبكات: تحليل شبكات التلازم وتحليل الشبكات المعرفية يكشفان أنماط التفاعل.

• توترات الخصوصية: تنمو هموم الخصوصية كلما صارت التحليلات أدق وأكثر قيادةً بالذكاء الاصطناعي.

• إطار حكومة لبيانات الطلاب. تقترح LEAGUE ستة أ pillars — الشرعية، والإنصاف، والوكالة، والحكومة، والفائدة، والأخلاقيات بالتصميم — معتبرةً الامتثال لـFERPA وGDPR الحد الأدنى ومُوصيةً بإعادة تقييم مجدولة مع انحراف النماذج (Varadaraju & Vijayakumar (2026)).

نمذج التزامن بين المقررات، لا التسلسل فحسب. يمنح TRACE كل مقرر في الفصل الدراسي الترميز الموضعي ذاته، والتنبؤ المشترك بالمقررات والدرجات خفض خطأ التنبؤ بالدرجات إلى 0.1339 MAE — بانخفاض 46.4% مقابل محول يقدّر الدرجات فقط — على عشر سنوات من بيانات المؤسسة (Savala (2026)).

دورة تحليلات التعلّم

تُؤطَّر تحليلات التعلّم قانونيًا كدورة تبدأ بنشاط المتعلم المنتج للبيانات، التي تُعالج إلى مقاييس ومؤشرات تُترجم بعدها إلى تدخلات — ويغذّي التدخل راجعًا نشاط المتعلم لإغلاق الحلقة. خطوة التدخل هي ما يميّز التحليلات عن مجرد الرصد أو التنبؤ: بدونها، تصف التحليلات وتُشير لكنها لا تغيّر التعلم أبدًا. هذه الدورة هي الإطار المنظم لفهم موقع أدوات الذكاء الاصطناعي (لوحات المعلومات، ومولدات التغذية الراجعة، والموصين التوجيهيين) في خط التدفق وأي خطوة تؤتمتها.

لوحة المعلومات الموجهة للمتعلم لا تبلغ أكثر من مدى وصولها: في دراسة كتابة للصف التاسع في هونغ كونغ بلغ مصنّف المحفزات macro F1 قيمته 0.757، وفتح نحو ثلث طلاب الـ46 لوحات المعلومات الثلاث لاستخدام الذكاء الاصطناعي التوليدي، ولم تكن فروق المجموعة في النسخ والمحفزات الموجّهة للتعلّم موثوقة (Fong et al. (2026)).

الترميز التكراري للبيانات النوعية هو نقطة دخول لا حكم: في دراسة من عشرة مشاركين، قرأ بعض المعلمين الترميزات التكرارية كطريقة دخول منتجة، بينما حذر آخرون من أنها تُخفي ردودًا نادرة لكنها حرجة، فيُبقي التصميم كل عرض مجمّع مرتبطًا بالنص الحرفي للطلاب (Nguyen et al. (2026)).

من الوصف إلى التدخل

تطورت تحليلات التعلّم عبر ثلاثة أجيال في قاعدة المعارف: وصفي (ما الذي حدث؟)، وتنبؤي (ما الذي سيحدث؟)، وتوجيهي (ما الذي ينبغي أن نفعله؟). يمكّن الذكاء الاصطناعي الطبقة التوجيهية — تحليلات تُشغّل التدخلات التعليمية مباشرةً. أحدث الحدود الرئيسية هو فجوة قابلية التنفيذ: يُظهر SC2R (Le, Abel & Laforge 2026) أن التنبؤ وحده غير كافٍ لدعم القرار، وأن التعويض المضاد لا يصبح ذا معنى تشغيليًا إلا عندما تكون التوصيات قابلة للتحقق آليًا ومجدية دلاليًا — مقيّدةً بالزمن والميزانية وعدم القابلية للتغيير والتوفر عبر تحقق SHACL، لا بمجرد صلاحيتها النموذجية. ينقل هذا المجال إلى ما هو أبعد من درجات الخطر نحو توصيات يمكن للمؤسسات تنفيذها فعلًا، مع الحفاظ على إشراف الإنسان.

اختبار تجريبي مباشر للطبقة التوجيهية يأتي من López-Pernas et al. (2026)، الذين طلبوا من ثلاثة نماذج لغوية كبيرة التوصية بخطط دعم لـ4,500 حالة طلاب تركيبية.

اختبار مكمل يمركز المعلم لكيفية وصول التحليلات إلى الفصل يأتي من Mejia-Domenzain et al. (2026)، الذين صمموا لوحة معلومات لتحليلات التعلّم (DashED) للتواصل مع المعلمين بأنماط التعلّم الذاتي التنظيم المشتقة من تعلّم الآلة في سياقين مختلطين. تُظهر دراستهم على 100 معلم أن عرض التحليلات هو نفسه عائق أمام الإجراء: فضّل المعلمون منهجيًا المخططات الأبسط والأكثر تقليدية (المخططات الشريطية، والدائرية) حتى عندما أنتجت التصميمات الأكثر تعقيدًا (مثل خرائط الحرارة) بصائر أغنى، وتنبأت ثقافة التصوير البياني الأعلى بتفسير أعمق وأكثر تفصيلاً (مثل تحديد مزيد من المعلمين للاتجاهات في بيانات السلاسل الزمنية). وفي المقارنة بين المجموعات، فضّل المعلمون التراكب على التجاور والمخططات كاملة المعلومات على الترميز الصريح للفروق. وقد تشكلت الإجراءات التي اقترحها المعلمون بالمحتوى المُصوَّر ومستوى المعلم لديهم لا بنوع المخطط — فضّل معلمو الجامعة الاختبارات الأسبوعية والتكيف على مستوى المقرر، بينما اقترح معلمو التعليم المهني تدريبًا مباشرًا فرديًا — مؤكدةً أن الخطوة التوجيهية تعتمد بقدر ما على كيفية تصوير التحليلات ووضعها في سياقها على النموذج الكامن. ونتيجتهم تحذيرية: كانت الارتباطات بين مؤشرات LA والدعم الموصى به ضعيفة في معظمها، وتنوعت توصيات النماذج المتقاطعة جذريًا لنفس الطالب، ووُزّع الدعم في كثير من الأحيان بغض النظر عن من كان أحوج إليه. يستنتج المؤلفون أن نماذج اللغة الكبيرة الحالية ليست بعد موثوقة كنماذج توجيهية لدعم الطلاب على نطاق واسع، مؤكدين أن الخطوة التوجيهية لا تزال تتطلب تحققًا وضبطًا دقيقًا وإشرافًا بشريًا لا أتمتة جاهزة.

الخطوة التالية للنتيجة — من يتلقى الدعم، وهل وُزّع حيث كان مطلوبًا — تعود إلى دعم الطلاب ونجاحهم، التي تحمل أدلة التواصل والإحالة والتوزيع التي تغذّيها الطبقة التوجيهية لهذه الصفحة.

تدخل نتيجة النزاهة نفس الطبقة التنبؤية. يتنبأ Akçapınar (2026) بخطر الغش بمساعدة الذكاء الاصطناعي من الأسابيع الثمانية الأولى من آثار مودل ومشغّل الفيديو، محققًا AUC قيمته 0.763 مع الانحدار اللوجستي، ويجادل بأن الإشارة قابلة للاستخدام تحديدًا لأنها تصل قبل الامتحان لا أثناءه.

خط مكمل يستهدف تفسير التحليلات نفسها. يُنظّم إطار FACTRIA عند Marques et al. (2026) عوامل التحيز الكامنة وراء مؤشر — خط التدفق والمؤسسة والمقرر والديموغرافيا — ورفع روبوت محادثة يُحرّض على التأمل العوامل الفرعية التي وزنها 11 من أصحاب المصلحة في كل حالة من 1.41 إلى 3.45 (d = 2.15)، ناقلًا إياهم من القراءات المباشرة إلى الشرطية.

المناهج وتحليل الشبكات

مناهج الشبكات أساسية لتحليلات التعلّم: يُنمذج تحليل شبكات الانتقال (TNA) التسلسلات الزمنية لأفعال المتعلم (مثل حلقات المراجعة والمحادثة في الكتابة المسنودة بروبوت محادثة []])، ويُخطّط [network-analysis|تحليل الشبكات المعرفية (ENA) كيفية تلازم الرموز/البنى عبر النشاط — معًا يكشفان عملية التعلم وتفاعل المتعلم مع الذكاء الاصطناعي لا منتجه فقط.(Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)(Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing)

• تحليل التسلسل + سلاسل ماركوف للسلوك الموجَّه ذاتيًا. جمع An, Hammock & Goel (2025) بين تحليل تسلسل النشاط والتجميع الهرمي ونماذج سلاسل ماركوف على مسارات النقر لـ315 متعلّمًا عبر الإنترنت بنوا 822 نموذجًا إيكولوجيًا في VERA، مستخلصين تسع تجمعات سلوكية دقيقة قائمة على الانتقال إلى ثلاثة أنماط أوسع (الملاحظة، والبناء، والاستكشاف). يُظهر عملهم أن الجمع بين تحليل التسلسل ونمذجة سلاسل ماركوف يمكن أن يكشف سلوكًا ذا معنى في المهام غير المنظمة والـموجّهة ذاتيًا حتى في غياب تام للبيانات الديموغرافية أو السياقية.

• تشكّل LA والذكاء الاصطناعي التوليدي تصميم التعلّم بشكل مختلف (2026). استخدم Claassen et al. (2026) تحليل الشبكات المعرفية على 11 مجموعة تركيز معلمين لمقارنة كيف تُعلم تحليلات التعلّم مقابل الذكاء الاصطناعي التوليدي في صنع قرارات تصميم التعلّم. تمحورت مناقشات LA حول المعلومات السياقية وتصميم المقرر وحل المشكلات الإبداعي (LA لتشخيص التفاعل واستهداف الدعم)، بينما تمحورت مناقشات الذكاء الاصطناعي التوليدي حول تصميم التقويم والتصميم لـتقرير المصير الذاتي لدى الطالب (الذكاء الاصطناعي التوليدي لتوليد الأفكار وتطوير التقويم). كان السياق والإبداع محوريين عبر الاثنين — تذكير بأن التحليلات تُعلم التصميم فقط ضمن السياق البيداغوجي واستقلالية المعلم.

• الآثار السلوكية ليست مقاييس للحالة المعرفية — خاصةً للمتعلّمين ذوي الاحتياجات الخاصة. يحذّر Vasileiou et al. (2026) من أن آثار التفاعل (زمن المهمة، والأخطاء المتكررة، وطلب المساعدة، والتقدّم غير المنتظم) قد تساعد المعلّمين على تحديد موضع حاجة المتعلّم إلى الدعم، لكنها ليست مقاييس شفافة للحالات الداخلية: فقد يعكس الردّ البطيء تفكيرًا متأنيًا، أو معالجة لغوية، أو تشتّتًا، أو تصميمًا غير متاح، أو صعوبة تقنية. «لا ينبغي للخوارزميات أن تستنتج عجزًا تنفيذيًا أو حالة تشخيصية من البيانات السلوكية وحدها» — والتحليلات دفاعية كمصدر واحد للمعلومة داخل التقييم المهني والحوار مع المتعلّم.

• تحليلات التصميم: التنقيب في تسلسلات الأنشطة المخططة بدلًا من الآثار (2026). طبّق Divjak, Svetec and Horvat (2026) سلاسل ماركوف وتنقيب الأنماط المتسلسلة على التسلسل المصمم لـ29,064 نشاط تعليمي وتعلّم عبر 554 مقررًا مخططةً في أداة مفتوحة لتصميم التعلّم. بلغت مصفوفة الانتقال ذروتها من التقويم إلى المناقشة (0.332)، وسادت الانتقالات الذاتية التدريب (0.317) والاكتساب (0.292)، وكان أقوى قاعدة متتالية من الاكتساب إلى التقويم إلى التدريب إلى التدريب (الثقة 0.743، الرفع 1.449)، بينما كان المسار الرباعي الأكثر تكرارًا الاكتساب، التدريب، التدريب، التقويم (120 مرة). كانت المناقشة والتقويم الأكثر قابلية للوصول، وكان الإنتاج الأبعد والأكثر تفردًا. الدراسة تذكير بأن تحليلات التعلّم لا يلزم أن تبدأ بآثار أنظمة إدارة التعلّم: يمكن لبيانات وقت التصميم أن تكشف القواعد البيداغوجية لمقرر قبل وصول أي طالب، وإن شدد المؤلفون على أن التشابه مع تصاميم مقلوبة أو قائمة على الاستقصاء أو قائمة على المشاريع ليس دليلًا على النية.

• نماذج لغوية كبيرة مقطّرة تشرح نفسها (2026): خط أنبوب من مرحلتين يقطّر مقدّر تحليلات تعلّم صندوقًا أسود وتفسيره اللاحق إلى نموذج لغوي كبير صغير مفتوح الأوزان يعيد تقديرًا على المستوى الفردي وشرحًا بلغة طبيعية. يقيّم تدقيق يضع الأمانة أولًا ما إذا كانت الروايات تطابق الإسنادات التي تصفها؛ تُظهر المحاكاة استعادة شبه خالية من الفقد (r > .90) مع مرشد أوركلي، مقدمةً مسارًا أكثر شفافية وقابلية للنشر للتحليلات (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

• مُمكّنات التدخلات التعليمية القائمة على LA (2026). يُحدّد Svetec, Divjak & Kadoić (2026) ويُرتّبون أولوية سبعة مُمكّنات للتدخلات التعليمية الجديرة بالثقة والقائمة على LA عبر دلفي + AHP + SNAP: التوجه الاستراتيجي المؤسسي، وأسس البحث المنهجي وغيرها من الأسس البيداغوجية، والموارد المتاحة، والدعم البيداغوجي، وأخلاقيات البيانات وحكومتها، ومشاركة أصحاب المصلحة، وضمان الجودة. احتل التوجه الاستراتيجي المؤسسي المرتبة الأعلى (والأكثر تأثيرًا على الممكنات الأخرى)، وجاءت الموارد المتاحة ثانية. يُؤطَّر الجدارة بالثقة (الامتثال الأخلاقي، والخوارزميات الشفافة غير المتحيزة، والصلاحية البيداغوجية) كشرط مسبق بدونه لا تكون التدخلات القائمة على LA ذات معنى.

• عمق تفاعل النماذج اللغوية الكبيرة يتنبأ بجودة المهمة لا بالتذكر (2026). يربط Tsiligkiris (2026) القياسات التحادثية على مستوى الأدوار للنماذج اللغوية الكبيرة (العمق/الحجم/الإيقاع) بـنتائج التعلّم: توقع "العمق" الساعي للشرح جودة المهمة المُقيَّمة باستقلال (β = 6.27) لا التذكر الفوري — تفكك بين الفهم المقود بالتوضيح والترسيخ المقود بالاسترجاع له آثار على كيفية قياس تفاعل النموذج اللغوي الكبير وتقييمه في LA.

• وحدة تفاعل مشتركة مفقودة. عبر 46 تصنيفًا من 33 دراسة لا توجد خصيصة فوقية مشتركة — تسميات متشابهة تُسمي ظواهر مختلفة — لذا تقترح المراجعة حلقة التفاعل، وهو تبادل محدود وموجه بهدف، كوحدة لربط الحوار باكتساب المهارات (Borchers, Jansen & Weidlich (2026)).

• محاكاة الخطاب التعاوني لتحليلات التعلّم. يستخدم Fang (2026) وكلاء نماذج لغوية كبيرة مضبوطين دقيقًا خاصين بكل مشارك لإنتاج حوارات حل المشكلات التعاونية، متحققةً باستخدام تحليل الشبكات المعرفية (مسافة ENA 0.17، p التبديلية = 0.65). يُتيح النهج لباحثي تحليلات التعلّم طريقة قابلة للتوسع لتوليد خطاب تعاوني أصيل لدراسة ديناميكيات التفاعل وتوزيع الأدوار ومسارات الرموز الموضوعية دون جمع بيانات بشرية جديدة.

• بيانات مفتوحة قابلة لإعادة الإنتاج وتحليلات جاهزة للآثار. تُطلق ASTRA معيارًا قياسيًا تركيبيًا بمخطط جاهز للآثار (N=540؛ 360 جلسة؛ 1,440 حلقة) لتحليل التفاعل وتوازن المشاركة في البرمجة التعاونية. بيانات السجلات والآثار هي الثقل الموازن الطبيعي لـالتقرير الذاتي في هذه الأدبيات: كثيرًا ما يُقاس البناء نفسه مرتين، مرة بالسؤال ومرة بالملاحظة، والاثنان لا يتفقان دائمًا. وبشكل منفصل، حدد إطار تعلّم آلة استكشافي بتحليل SHAP البنى المرتبطة بالتعلّم الأكثر ارتباطًا باستخدام ChatGPT الأكاديمي المقصود بين طلاب الجامعة، مُقدّمًا قابلية التفسير على غيرها (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).

• بنية تحتية قابلة لإعادة الاستخدام للتحليلات، متحققة داخليًا فقط (2026). أعاد Bai et al. (2026) إنتاج نتائج منشورة لثلاثة مساعدين ذكاء اصطناعي في معهد جورجيا التقني بتغيير قيم الإعداد لا الشيفرة، وإن كان الادعاء يستند إلى إعادة تحليل مجموعات بيانات أحادية المؤسسة قائمة، وقد أُنجز التوسعة الوحيدة للقدرات من قِبل المطلعين.

الروابط

ترتبط تحليلات التعلّم بـتتبع المعرفة (التحليل الجوهري)، والتقويم التكويني (التقويم المقود بالتحليلات)، ونمذجة الطالب (التمثيل الذي تملؤه التحليلات)، والخصوصية (القيد الأخلاقي)، ومنصة التقنية التعليمية (حيث تُنشر التحليلات). ولأن التحليلات التوجيهية تُقيّم بشكل متزايد على متعلمين محاكون — حيث تحل دفعات الطلاب التركيبية محل الدفعات الحقيقية في الاختبارات المضبوطة — ترتبط تحليلات التعلّم أيضًا بمحاكاة الطلاب.

• ما تجعله لوحات المعلومات مرئيًا يقرر ما يتصرف بناءً عليه المعلمون. راجع Köroğlu et al. (2026) 27 دراسة تجريبية (2016–2025) وبنى تصنيفًا اجتماعيًا تقنيًا لصنع قرار المحاضر المدعوم بالذكاء الاصطناعي عبر ثمانية أنواع من القرارات: تعليمية، ومنهجية، وتقويمية، وتغذية راجعة، وبيئة تعلّم، وعاطفية، وإدارية، وأخلاقية. كانت لوحات معلومات تحليلات التعلّم النظام الأكثر ذكرًا، ويُظهر التكويد أن الدعم تركز في القرارات التعليمية والتغذية الراجعة والتقويمية التي يمكن أن تُعلمها النصوص والبيانات السلوكية، بينما كانت القرارات العاطفية والأخلاقية والمنهجية وبيئة التعلّم نادرًا ما دُعمت. يقرأ المؤلفون ذلك كأثر انتباه لا كحد قدرة: لأن الأنظمة جعلت بيانات الطلاب السلوكية مرئية وقابلة للتنفيذ، وقعت هموم الدافعية وما وراء المعرفة والعاطفة والبيئة خارج ما دعا البيانات المحاضرين إلى النظر فيه.

التجهيز على مستوى العملية هي الخطوة التالية للطبقة الوصفية. وسّع Prol et al. (2026) منصة مفتوحة المصدر لمشكلات بارسونز لتسجيل كل وضع كتلة وإزالة وتسليم كأثر زمني، وإقران كل تسليم بتلوين صحة لكل كتلة وسجل محاولات، وتمرير الآثار اختياريًا عبر خط أنبوب من نموذج لغوي كبير يصنّف أنماط الصعوبة المتكررة لمراجعة المعلم. عبر 68 طالبًا في مقرر تصميم برمجيات جافا للمستويات المتقدمة و36 في مقرر بايثون تمهيدي، كشف التحليل عن الصعوبات الثلاث ذاتها — اختيار نوع الاستثناء الخطأ، واستبدال return بـthrow، وترتيب غير صحيح لتدفق التحكم — وهي ما لا تستطيع أعداد الصحة والمحاولات كشفه، لأنها تجيب عن ما إذا كان الترتيب صحيحًا لا عن ما كانت العملية. يعمل الذكاء الاصطناعي كمفسر لـالمعلم لا كمسجّل للطالب، ويُؤطَّر مخرجُه كفرضية قابلة للمراجعة عن صعوبات صف لا كدرجة.

• حائط نظام التعلّم: بيانات السجلات لا تعمم عبر المنصات. تُعرّف MATHia وi-Ready وIXL كل بناء حتى الأساسية — "محاولة"، و"تلميح" — بشكل مختلف، فلا تستطيع النماذج الانتقال بينها. استجابة قيد التنفيذ تهاجم المشكلة من جهة الفيديو: خط أنبوب من Gemini يقطر تسجيلات شاشة التدريس إلى نص سينمائي واحد مُواءم مع سجلات MATHia الأصلية كحقيقة أرضية. ما يستعيده الفيديو ولا يستعيده أي تدفق وحده: السقالة على السبورة، والعمل الصامت بالحاسبة في أدوات خارجية، والسياق خارج الشاشة الذي تختزله السجلات الأصلية في "بطالة". تحديات مفتوحة باقية في التثبيت الزمني وانحراف الساعة وفصل أحداث المنصة عن عمليات التعلّم الأخرى. (Towards breaking the learning system wall using multimodal tutoring transcriptions)

مفاهيم مترابطة

• الذكاء الاصطناعي القابل للتفسير
• تتبع المعرفة
• نمذجة الطالب
• التقويم التكويني
• الخصوصية
• منصة التقنية التعليمية
• تفاعل الطلاب
• تقييم AIEd
• التغذية الراجعة
• التعليم العالي
• رياض الأطفال–12
• النماذج اللغوية الكبيرة
• محاكاة الطلاب
• مقاييس التقرير الذاتي
• أنظمة التوصية ومسارات التعلّم
• دعم الطلاب ونجاحهم — الجانب الداعم الذي يغذيه التنبؤ: الإحالة والتوزيع والنتائج التي تحركها أو لا تحركها

مقالات مترابطة

• Responsible Institutional Analytics: Interpreting Bias with AI Support — تحليلات مؤسسية مسؤولة: تفسير التحيز بدعم الذكاء الاصطناعي

• AI-Supported Lecturer Decision-Making in Higher Education: A Socio-Technical Perspective — صنع قرار المحاضر المدعوم بالذكاء الاصطناعي في التعليم العالي

• Federated and Explainable Learning Analytics for Privacy-Preserving Academic Risk Modeling Across Heterogeneous Educational Institutions — تحليلات تعلّم فيدرالية وقابلة للتفسير لنمذجة خطر أكاديمي حافظة للخصوصية (Villegas-Ch et al. 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — ما يسأل عنه الطلاب مهم: عمق تفاعل النماذج اللغوية الكبيرة وجودة المهمة والتذكر الفوري (Tsiligkiris 2026)

• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — من تحليلات التعلّم إلى التدخلات التعليمية: ممكنات التدخلات الجديرة بالثقة القائمة على LA (Svetec, Divjak & Kadoić 2026)

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — LA والذكاء الاصطناعي التوليدي في صنع قرارات تصميم التعلّم

• Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction

• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies

• A Durability and Cross-Language Transfer Benchmark for a Validated Teaching-Feedback Classification Protocol

• Through the WordStream Glass: Revisiting Quantitative Encoding for Qualitative Learning Analytics

• Jointly Predicting Courses and Grades Using a Transformer-Based Model (TRACE)

• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use

• From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support — من التنبؤ بخطر الطالب إلى SC2R: التعويض المضاد

• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — التشخيص المعرفي البايزي لمسارات التعلّم المخصصة

• Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics — تقطير نموذج لغوي كبير يشرح نفسه لتحليلات التعلّم

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — هل يستطيع الذكاء الاصطناعي تقديم دعم مناسب لمختلف أنماط الطلاب؟ تقييم واسع النطاق

• Modelling Individual Participants as LLM Agents in Collaborative Problem Solving Simulations — وكلاء نماذج لغوية كبيرة مضبوطون خاصون بكل مشارك ينتجون حوارات حل المشكلات التعاونية (Fang 2026)

• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — معيار ASTRA التركيبي للتدريس متعدد الوكلاء والتعاون المتوازن في المشاركة

• An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education — محدّدات تعلّم الآلة/SHAP لاستخدام ChatGPT المستقبلي في التعليم العالي

• Making machine learning findings accessible to teachers in blended classrooms — جعل نتائج تعلّم الآلة متاحة للمعلمين في الصفوف المختلطة

• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — تتبع المعرفة القائم على النواتج مع خرائط الألفة

• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis

• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models

• A Machine Learning Approach for Predicting Student Progress in Online Programming Education

• Learning paths and patterns in learning design: Insights from 500+ courses — سلاسل ماركوف وتنقيب الأنماط لـ29,064 نشاطًا مخططة في 554 مقررًا، كاشفةً قواعد تصميم يقودها الاكتساب ويعززها التدريب

• Pulla: A Parsons Problem Tool for Fine-Grained Behavioral Tracing and Instructor-Facing Problem-Solving Analysis — Pulla: تتبع سلوكي على مستوى العملية وتحليل الصعوبات الموجّه للمعلم في مشكلات بارسونز (Prol et al. 2026)

• Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains

• Beyond Compliance: A Proposed Framework for Ethical Governance of Student Data in Learning Analytics

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — استخدام تحليلات التعلّم لدعم كتابة طلاب المرحلة الثانوية بالذكاء الاصطناعي التوليدي

• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — "سنصلحه لاحقًا": التعليم والذكاء الاصطناعي وتأجيل خصوصية الطلاب في التقنية التعليمية

• What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — ما تغفله مقاييس الأمانة: فحص بنيوي للبيانات التعليمية التركيبية

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — التنبؤ بخطر الغش بمساعدة الذكاء الاصطناعي من آثار أنظمة إدارة التعلّم في بداية الفصل (AUC 0.763)

• Towards breaking the learning system wall using multimodal tutoring transcriptions — نحو كسر حائط نظام التعلّم باستخدام نسخ الدروس التعليمية متعددة الوسائط (Thomas et al. 2026)