دعم الطلاب ونجاحهم

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

دعم الطلاب ونجاحهم — العمل من الجانب المؤسسي لمساعدة الطلاب على البقاء والتقدّم وإتمام الدراسة: الإرشاد، والمساعدة الإدارية، والتواصل، والإحالة، وتخصيص الدعم النادر. وهذه هي الصفحة الخاصة بما تفعله المؤسسات بالطلاب لا بما يجري داخل المقرّر. والتعليم العالي هو المظلّة الأوسع للقطاع، وتجربة الطالب يغطّي كيف يستقرّ الذكاء الاصطناعي في تجربة الطالب نفسه؛ ومكاسب التعلّم يقيس عمّا إذا كان التعلّم قد حدث. والنتيجة المميّزة في قاعدة المعارف هذه هي أن دعم الذكاء الاصطناعي يُحرّك إتمام المهام على وجه موثوق — وهو إجراء مؤرَّخ وثنائي يتحكّم فيه الطالب وتستطيع المؤسسة مراقبته — بينما يترك البقاء والاعتمادات والتخرّج بلا مساس إلى حدّ كبير. وفصل تلك المخرجات هو غرض هذه الصفحة.

أسئلة للتفكير

• فأيّ مخرَج تحاول أن تُحرّكه؟ تذكير التسجيل وبرنامج البقاء تدخّلان مختلفان لهما أدلة مختلفة، ويقترح البحث هنا أن أحدهما لا يشتري الآخر.
• وإذا أشار نموذج إلى طالب على أنه في خطر، فما الذي يحدث بعد ذلك؟ من يتصرّف، وبأي قدرة، وما الذي سيجعل التوصية قابلة للتنفيذ لا دقيقة فحسب؟
• وقدرة الدعم محدودة. فحين يُرتّبها الذكاء الاصطناعي أو يخصّصها، فما أثر ذلك على الطلاب الذين كان مرشد بشري سيلاحظهم على أي حال؟
• ومن المسؤول حين تكون رسالة آلية أو إحالة أو درجة خطر خاطئة؟ الطالب يرى العاقبة؛ والمؤسسة تملك النظام.
• فهل تنتقل بيانات دعمك؟ المشاركة بين المكاتب هي ما يجعل الاستهداف ممكنًا، وهي أيضًا السبب الأكثر شيوعًا لتوقّف الاستهداف بهدوء.

مقدّمة

يجلس دعم الطلاب على الجانب المؤسسي من العلاقة. وعمله هو الإرشاد والتواصل والإحالة وتخصيص القدرة البشرية والمالية المحدودة؛ وقاعدة أدلته هي السجلات الإدارية وأحداث التسجيل والاعتمادات المكتسبة وعمّا إذا كان الطالب سيعود. ودخل الذكاء الاصطناعي التوليدي هذا المجال متأخرًا عن دخوله التدريس، وكثير من الأدبيات هنا يتعلق بأنظمة غير توليدية — روبوتات حوارية بالرسائل النصية، ونماذج إنذار مبكر، والتنبؤ الاتحادي بالمخاطر — مع وصول الأدوات التوليدية بوصفها مرشدين ومساعدين ومُجيبين من قاعدة المعارف.

والتمييز الذي ينظّم هذه الصفحة هو التمييز بين ما يستطيعه التنبيه وما يستلزمه مسار التحصيل. فتتقن تقنيات الدعم قرارًا مؤرَّخًا ثنائيًا: سجّل قبل هذا التاريخ، وأكمل هذا النموذج، وابدأ Early Start. وهي تواجه صعوبةً أشدّ بكثير مع المخرجات التراكمية — البقاء والاعتمادات والتخرّج — وهي التي يشكّلها التدريس والمال والتوظيف وظروف الأسرة والإعداد المسبق معًا. وأقوى أدلة قاعدة المعارف على هذا تأتي من تقييم معشاوى على مدى أربع سنوات حرّك التسجيل حركًا حادًا ولم يحرّك التخرّج إطلاقًا.

وظائف الدعم

تتجمّع الأبحاث في خمس وظائف، وحدود التجمّعات مهمة لأنها تحمل أدلة مختلفة.

التواصل والتفاهم. تُرسل المؤسسات رسائل إلى الطلاب على نطاق واسع، وأقوى التقييمات تختبر عمّا إذا كان ذلك يغيّر شيئًا. فدراسة معشاة على مدى أربع سنوات لـCSUNny، وهو روبوت حواري غير توليدي بالرسائل النصية في جامعة كاليفورنيا الولائية نورث ريدج، تابعت مجموعتين جامعيتين (N = 8,708) على مدى ثمانية فصول دراسية (Mata, Russell & Page, 2026). وقد جعل تذكير التسجيل المُرسَل في 31 يوليو 2018 الطلاب المعالَجين أكثر احتمالًا للتسجيل قبل 16 أغسطس بمقدار 34 نقطة مئوية وأكثر احتمالًا بمقدار نقطتين فقط قبل 15 سبتمبر؛ وأنتجت تذكيرات Early Start تسجيلًا أكثر بـ11 نقطة قبل 7 يونيو وبـ20 نقطة قبل 22 يونيو. واستمرّ التقبّل: فلم تتجاوز معدّلات الانسحاب السنوية 4%. ودربت تجربة متعددة الفصول مُسجَّلة مسبقًا في جامعة ولاية جورجيا طلابًا في مقررين غير متزامنين كبيرين (N = 1,568 وN = 915) برسالتين إلى ثلاث رسائل مخصّصة في الأسبوع، رافعةً احتمالات الحصول على تقدير A أو B بأربع نقاط مئوية مقابل 61% من ضبط المجموعة، ومحوّلةً معدّلات DFW بنحو ثلاث نقاط في كل مقرّر (Meyer et al., 2026).

الإرشاد والتخطيط الأكاديمي. يُمدّ التنبؤ بالمقرّرات والدرجات مدخل التخطيط — فنموذج واحد يتنبّأ مجتمعًا بأي المقرّرات سيأخذها الطالب وبأي الدرجات سيحصل عليها (Savala, 2026)، ونموذج آخر يتنبّأ بتقدّم الوحدة في مقرّرات البرمجة الكبيرة عبر الإنترنت بشجرة قرار قابلة للتفسير جوهريًا (Zhang, Jeffries & Koprinska, 2026). والاعتماد المنتقَل مسألة إرشاد في ذاتها: إذ تُنمذج CourseGraph محتوى المقرّر كمخططات معرفية لتقييم تكافؤ المقرّرات الخارجية للطلاب المتنقّلين (Nijdam et al., 2026). وعلى المستوى المؤسسي، وجد استعراض لـ155 دراسة في الذكاء الاصطناعي وتقديم الخدمات في التعليم العالي أن تحليلات التعلّم هي التطبيق الأكثر شيوعًا بـ46 دراسة (29.7%)، متقدّمةً على الروبوتات الحوارية والمساعدين الافتراضيين بـ31 (20.0%) والتحليلات التنبؤية بـ29 (18.7%) (Nyamboga, 2026).

الإحالة وتخصيص الدعم. التنبؤ ليس خطة، والفجوة بينهما هي موضع أحدّ نقد في الميدان. ويُصوغها SC2R على أنها فجوة قابلية التنفيذ: فلا تصبح درجة الخطر دعمًا للقرار إلا إذا كانت توصياتها قابلةً للتنفيذ دلاليًا وقابلةً للفحص آليًا — مقيَّدةً بالتوقيت والميزانية وعدم القابلية للتغيير والتوافر لا بصحة النموذج فحسب (Le, Abel & Laforge, 2026). وعمّا إذا كانت النماذج قادرةً على تخصيص الدعم حسنًا موضع خلاف تجريبي: فطلب إلى ثلاثة نماذج لغوية كبيرة أن توصي بخطط دعم لـ4,500 سيناريوهات طلابية اصطناعية، فأظهرت حساسيةً محدودة لحاجة الطالب وتناقضًا حادًا بين النماذج (López-Pernas et al., 2026).

الوصول إلى الدعم الأكاديمي. تستهدف أنظمة الاستدعاء الخاصة بالمقرّر الطلاب الأقلّ احتمالًا لأن يسألوا إنسانًا. فحصل Beacon، المبني من مواد معتمدة لوحدة برمجة واحدة، على تقديرات صلة عالية (89%) وحكم عليه معظم الطلاب بأنه يدعم تعلّمهم لا أنه يحلّ محلّه (66.7%)، في تقييم صغير لـ15 طالبًا و4 أكاديميين (Zhou et al., 2026). والقبول على التدريس الخصوصي مسألة في ذاتها: فقد كان على تجربة معشاة على مدى عامين لطبقة تدريس خصوصي افتراضي للطلاب المتعثّرين أن تختبر القبول منفصلًا عن التعلّم، لأن الوصول إلى الطلاب المحتاجين للدعم ليس هو نفسه تقديمه (Fryer et al., 2026).

المساعدة الإدارية. وتُدرَس القيادة والإدارة كمجال تطبيقي في ذاته، بتصنيف عشرة مجالات يرسم خريطة موضع الذكاء الاصطناعي في القيادة التعليمية (Sposato, 2025). وتمتدّ خدمات المؤسسة إلى ما بعد الإرشاد إلى الصحة: فإطار العافية الحرمية المدمج يقرن الوقاية — تحسين كيفية جمع التغذية الراجعة — بالتدخّل من خلال كشف الصحة النفسية (Tang, 2026). وتجلس التوثيق مجاورةً: فحين يستطيع وكيل أن يُنجز مقررًا نيابةً عن طالب، يفقد التوثيق الذي يقول «مكتسب» معناه، وهو ما يحوّل سجلات الإتمام إلى مشكلة تصميم (Srivastava, 2026).

من التنبؤ إلى الدعم

التنبؤ بالمخاطر — أنظمة الإنذار المبكر، ونماذج الانسحاب، ومصنّفات الخطر — هو أرض تحليلات التعلّم في قاعدة المعارف هذه، وتُعالج هذه الصفحة التحليلات التنبؤية على أنها الشيء نفسه. وعمل النمذجة معتبر: فتُحدِّد المصنّفات المُشرَفة الطلاب قبل الانسحاب من سجلات الأداء الأكاديمي والخصائص الديموغرافية والتسجيل (Gheisari & Salarian, 2026)؛ ويجمع إطار ذو طبقتين سجلات سلوك Codeforces (n = 1,816) ببيانات مسح نفسي اجتماعي من عشر جامعات للتنبؤ بالتسرّب في البرمجة التنافسية (Alam et al., 2026)؛ وتتنبّأ بنية اتحادية بالأداء والانسحاب بين المؤسسات دون مشاركة بيانات الطلاب الخام، ببلوغ AUC = 0.918 على OULAD مقابل 0.925 مركزية (Villegas-Ch et al., 2026). ويمدّت visions تعليم الدقة المنطقَ إلى التوائم الرقمية للطالب و«نجاح الطلاب الوقائي» (Han et al., 2026).

وما ينتمي هنا هو الخطوة التي تلي الدرجة: تخصيص الدعم. وتحدّد نتيجتان حدوده. أولًا: انقسام الترتيب مقابل المعايرة — فقد حافظت نماذج المخاطر الاتحادية على AUC الخاص بها تحت الانزياح التوزيعي بينما تحلّلت معايرتها تحلّلًا ملموسًا، وبذلك فإن نموذجًا ما زال يرتّب الطلاب ترتيبًا صحيحًا قد يكون مخطئًا بشأن مدى احتمال احتياج كل واحد منهم للمساعدة. ثانيًا: دراسة المُمكِّن: إذ حدّد تحليل دولفي وAHP/SNAP لسبيل التحليلات إلى التدخّل سبعة مُمكِّنات ورتّب التوجّه الاستراتيجي المؤسسي أعلاها (أولوية 0.2072) وأكثرها تأثيرًا في البقية (PageRank 0.2430)، مُحدِّدًا عنق الزجاجة في التخطيط المؤسسي لا في النماذج (Svetec, Divjak & Kadoić, 2026). والتجمّع السلوكي لـ14,003 سجل طلابي في ستّ خصائص، مُقابَلًا بأشياء تعلّم موصى بها، هو طبقة التوصية التي يشير إليها هذا (Najem et al., 2026).

وينضمّ مخرَج نزاهة إلى المسار نفسه. إذ يتنبّأ Akçapınar (2026) بخطر الغش المساعد بالذكاء الاصطناعي من آثار نظام إدارة التعلّم في بداية الفصل (AUC 0.763) ويوصي بالتصرف على أساسه عبر التواصل المنخفض الأثر فقط، مع اختيار عتبة القرار من أجل الوصول لا من أجل الاتهام: فإن خفضها إلى 0.30 حدّد 21 من الطلاب الـ23 عالي الخطر، بدقة 60%.

سلّم المخرجات: ما يعنيه كل مقياس فعلًا

يخفي مصطلح «النجاح» خمسة قياسات مختلفة على الأقل، ودعم الذكاء الاصطناعي لا يُحرّكها بالقدر نفسه. والتمييز بينها هو أنفع ما تستطيع هذه الصفحة أن تفعله.

• إتمام المهمة هو إجراء واحد مؤرَّخ وثنائي يتحكّم فيه الطالب وترصده المؤسسة في غضون أيام — التسجيل قبل موعد نهائي، أو تقديم نموذج، أو التسجيل في Early Start. وهو الموضع الذي يعمل فيه التنبيه، وقد تكون الآثار كبيرةً وحاضرة (34 نقطة مئوية، ثم 2، في تذكير التسجيل في CSUN).
• الاعتمادات (الوحدات المسجَّلة والمكتسبة) تراكمية وتعتمد على توفّر المقرّرات وتسلسلها وعدد الفصول التي يستطيع الطالب تحمّل كلفتها. وفي تقييم CSUN لم يظهر أي أثر علاجي معتبر على الوحدات المسجَّلة أو المكتسبة أو المكتسبة تراكميًا.
• البقاء هو الاستمرار عبر الفصول — التسجيل بحسب تسلسل الفصل الدراسي — ولم يتحرّك أيضًا، عند N = 8,708 بقدرة على كشف آثار بمقدار 0.05 انحراف معياري أو أكثر.
• الاحتفاظ هو المعدل المؤسسي الذي يُنتجه البقاء، ويُبلَّغ عنه عادةً على مستوى البرنامج أو المجموعة. ومعدّلات DFW على مستوى المقرّر هي أقرب ما يكون إلى مؤشّر سابق في هذه الأدبيات، وقد تحرّكت باعتدال (−3 نقاط مئوية في كل مقرّر من مقرّرات تجربة ولاية جورجيا).
• التخرّج هو المخرَج النهائي متعدد السنوات. وكان متوسط التخرّج في ضبط المجموعة بحلول السنة الرابعة 0.190 في دراسة CSUN، ولم يكن الأثر العلاجي عليه معتبرًا إحصائيًا.

وتفسير المؤلفين للنمط هو الدعوى المركزية للصفحة: فالتذكير يعمل على قرار متقطّع وقريب المدى، بينما البقاء والمعدل التراكمي تراكميان ويشكّلهما التدريس والمال والتوظيف وظروف الأسرة والإعداد المسبق. ويخلصون إلى أن التواصل من خلال أداة كهذه، بذاته، قد لا يكون كافيًا لتغييرهما — وإلى أن الفراغات دقيقة لا ناقصة القدرة. ولا يزال التسجيل المبكر يحمل قيمةً مؤسسية لتخطيط العاملين والمساحات حتى حيث لا تتحرّك مخرجات التعلّم.

الإنصاف ومخاطر التصرّف على أساس درجة

تتصرّف أنظمة الدعم على الطلاب، وهو ما يجعل أنماط فشلها مختلفة عن أنماط فشل المدرّس الخصوصي. فاختبار إجهاد لستة تدخّلات إنصاف لاحقة على نظام إنذار مبكر مضبوط من مزوّد مُستنسَخ مبني من 168,550 سجل طلابي وجد التدخّلات تعجز عن تحقيق الإنصاف الذي وعدت به (McConvey et al., 2026). وينظّم استعراض لمناصرة الطالب سطح المخاطر حول القبول والتوظيف والمساعدة المالية، وخدمات نجاح الطلاب — وهي المواضع التي يحمل فيها الذكاء الاصطناعي المؤسسي على الطلاب حملًا أكثر مباشرةً (Student Defense, 2026). والخصوصية والإنصاف بنيويتان هنا لا عرضيتان: فالتعلّم الاتحادي موجود لأن مشاركة سجلات الطلاب بين المؤسسات غير مقبولة، والمكوّن بمشاركة الإنسان في برنامج CSUN — وهو إداريون يُجيبون عمّا لم يستطع الروبوت الحواري الإجابة عنه، ثم يُعيدون الإجابة إلى قاعدة معارفه — هو ما يجادل المؤلفون بأنه يبلغ الطلاب الذين يتجاهلون البريد الإلكتروني والهاتف.

الشروط المؤسسية

الاستدامة في هذه الأدبيات خاصية تنظيمية لا تقنية. فقد نجا برنامج CSUN أربع سنوات لأن القناة كانت مملوكةً مركزيًا، ومُشرَفًا عليها مجتمعًا من مكتب الدراسات الجامعية الأولى ومكتب المسجّل، ومكتوبةً من أخصائي اتصال واحد من أجل صوت متسق. وتحلّل استهدافه لسبب تنظيمي بالقدر نفسه: فلأن بيانات الطلاب لم تكن مركزية، تطلّب تذكير المساعدة المالية أن يُحدِّد مكتب غير المقدِّمين وأن يُمرِّر مكتب آخر المجموعة الفرعية، وكان ذلك الاحتكاك مُثقِلًا بالقدر الذي هبطت معه الحملات المستهدفة من 36% من كل الحملات في AY2018-19 إلى 6% بحلول AY2022-23. فأين يقبع العمل، ومن يملك البيانات، وهل التنسيق بين الوحدات مستدام — هي ما يقرّر ما يستطيع نظام الدعم أن يفعله فعلًا — وهذا سببُ حمْل هذه الصفحة لـإدارة التغيير وحوكمة الذكاء الاصطناعي وسياسة الذكاء الاصطناعي في التعليم كجوانب لا معاملتها النشرَ قرارًا في تقنية المعلومات.

الروابط بمفاهيم ذات صلة

يرتبط دعم الطلاب بـتجربة الطالب كمقابل مواجه للطالب — وهي التقنيات نفسها تُرى من جانب الطالب لا من جانب المؤسسة — وبـطلب المساعدة للآلية التي يحصل بها الطلاب المحتاجون للدعم عليه فعلًا؛ فالتواصل والمساعدون الخاصون بالمقرّر محاولتان كلتاهما لخفض كلفة السؤال. ويملك تحليلات التعلّم التنبؤَ الذي يُغذّي التخصيص، ونمذجة المتعلّم والتعليم التكيّفي وتتبّع المعرفة النماذج الكامنة تحته، وأنظمة التوصية ومسارات التعلّم طبقة التوصية. وهو يرتبط بـالرفاه من خلال أنظمة الصحة النفسية والوقاية في الحرم، وبـالتطوير المهني والجاهزية كمخرَج يلي الإتمام، وبـالإنصاف والخصوصية من خلال مخاطر التصرّف على أساس الدرجات، وبـالإداريون وأصحاب المصلحة وإدارة التغيير كأدوار وعمليات تقرّر عمّا إذا كان أيٌّ من ذلك سيستدام. ومكاسب التعلّم هي عقدة القياس المجاورة: فمخرجات هذه الصفحة إدارية لا تعليمية، والاثنتان لا تتحرّكان معًا.

المفاهيم المتصلة

• التعليم العالي — مظلّة القطاع التي تجلس هذه الصفحة تحتها
• تجربة الطالب — كيف يستقرّ الذكاء الاصطناعي في تجربة الطالب نفسه
• مكاسب التعلّم — عمّا إذا كان التعلّم قد حدث، وهو المخرَج التعليمي الذي لا تقيسه هذه الصفحة
• تحليلات التعلّم — التنبؤ والإنذار المبكر والتحليلات التنبؤية
• نمذجة المتعلّم والتعليم التكيّفي — طبقة النمذجة الكامنة تحت التنبؤ بالمخاطر
• تتبّع المعرفة — تقدير المهارة والتمكّن بدقّة
• أنظمة التوصية ومسارات التعلّم — توصية المقرّرات والموارد والمسارات
• طلب المساعدة — كيف يأتي الطلاب ليطلبوا الدعم
• الرفاه — الصحة النفسية في الحرم والوقاية والتدخّل
• التطوير المهني والجاهزية — المخرَج الذي يلي الإتمام
• الإداريون — الدور الذي يملك أنظمة الدعم ويُشغّلها
• أصحاب المصلحة — من له حق في قرارات الذكاء الاصطناعي المؤسسية
• إدارة التغيير — استدامة البرنامج بعد النموذج التجريبي
• حوكمة الذكاء الاصطناعي — سياسة وإشراف الذكاء الاصطناعي المؤسسي
• سياسة الذكاء الاصطناعي في التعليم — سياق السياسة للنشر المؤسسي
• الإنصاف — من يبلغه النظام ومن يفوت عنه
• الخصوصية — سجلات الطلاب ومشاركة البيانات والمقاربات الاتحادية
• الذكاء الاصطناعي بمشاركة الإنسان — الحكم البشري داخل مسار دعم مؤتمت
• التجارب العشوائية المضبوطة — التصميم الكامن وراء أقوى الأدلة هنا

المقالات المتصلة

• Sustaining AI-enabled student support: A four-year implementation and impact study — تقييم معشاوى على مدى أربع سنوات لروبوت حواري لدعم الطلاب في جامعة: تحرّك إتمام المهام، ولم يتحرّك التخرّج والمعدل التراكمي
• Let's Chat: Leveraging Chatbot Outreach for Improved Course Performance — تجربة تواصل متعددة الفصول مُسجَّلة مسبقًا: معدّلات A/B أعلى، وتحوّلات DFW معتدلة، واستثناء ديموغرافي واحد
• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — 4,500 سيناريو اصطناعي: حساسية محدودة لحاجة الطالب وتناقض بين النماذج في توصيات الدعم
• From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support — فجوة قابلية التنفيذ: فالمَنهَج يجب أن يكون قابلًا للتنفيذ وقابلًا للفحص لا صحيحًا بالنسبة للنموذج فحسب
• Fairness Theatre: Evaluating Post-Hoc Fairness Interventions in Vendor-Controlled Early Warning Systems — ستة تدخّلات إنصاف لاحقة على نظام إنذار مبكر لمزوّد مبني من 168,550 سجلًا
• Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms — مصنّفات مُشرَفة تُحدِّد الطلاب قبل الانسحاب
• Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs — سجلات سلوكية إضافةً إلى مسح نفسي اجتماعي تتنبّأ بالتسرّب
• Federated and Explainable Learning Analytics for Privacy-Preserving Academic Risk Modeling Across Heterogeneous Educational Institutions — نمذجة مخاطر اتحادية بين المؤسسات دون مشاركة بيانات الطلاب الخام
• From Precision Medicine to Precision Education: A Vision for AI-Powered Student Digital Twins, Preventive Student Success, and Career-Aligned Academic Pathways — التوائم الرقمية و«نجاح الطلاب الوقائي» كرؤية
• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — سبعة مُمكِّنات لإغلاق الحلقة من التحليلات إلى التدخّل
• Reducing Barriers to Academic Support: Evaluating a Course-Specific RAG System for Addressing Help-Seeking Disparities in Higher Education — مساعد خاص بالمقرّر يستهدف خفض كلفة طلب المساعدة
• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — قبول التدريس الخصوصي مُختبر منفصلًا عن التعلّم
• Behavioral clustering for adaptive learning object recommendation in higher education using learning analytics for personalized student success — ستّ خصائص سلوكية مُقابَلة بأشياء تعلّم موصى بها
• Jointly Predicting Courses and Grades Using a Transformer-Based Model (TRACE) — التنبؤ المجتمع بالمقرّرات والدرجات لأغراض التخطيط
• A Machine Learning Approach for Predicting Student Progress in Online Programming Education — التنبؤ القابل للتفسير بتقدّم الوحدة
• From digital transformation to intelligent classrooms: artificial intelligence, adaptive leadership, and service delivery in global higher education—a systematic literature review — 155 دراسة في الذكاء الاصطناعي والقيادة وتقديم الخدمات في التعليم العالي
• Artificial intelligence in educational leadership: a comprehensive taxonomy and future directions — تصنيف عشرة مجالات للذكاء الاصطناعي في القيادة التعليمية
• Students at Stake: Risks of AI Deployment in Higher Education — سطح المخاطر من جانب الطالب: القبول والمساعدة، وخدمات نجاح الطلاب، والتدريس
• New AI-Driven Tools for Enhancing Campus Well-being: A Prevention and Intervention Approach — دعم العافية في الحرم يمتدّ على الوقاية والتدخّل
• CourseGraph: Finding overlaps and differences in Computer Science courses across universities — تكافؤ المقرّرات للاعتماد المنتقَل والتنقّل
• Credentials That Carry Their Evidence: Credential design, dynamic tiering, and approved use when AI agents can do the work — ما يعنيه سجل الإتمام حين يستطيع وكيل أن يقوم بالعمل
• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — التنبؤ بخطر الغش المساعد بالذكاء الاصطناعي مبكرًا، والمقايضة في العتبة للتواصل المنخفض الأثر