تنبؤ بصعوبة الدورة التعليمية عبر الإنترنت باستخدام التعلم الآلي

الملخص

الانتشار الواسع لمنصات التعليم عبر الإنترنت في السنوات الأخيرة قد غيّر بشكل كبير مشهد الموارد التعليمية. من ناحية، أدت هذه التحولات إلى خلق العديد من الفرص الواعدة لتحسين تقديم الدورات وأداء الطلاب، ومن ناحية أخرى، طرحت عدة تحديات، أحدها هو التنبؤ بدقة بمستوى صعوبة الدورات. نظرًا لأن تقييم صعوبة الدورات باستخدام الأساليب التقليدية يختلف بشكل كبير وغالبًا ما يكون قائمًا على التقدير الذاتي، يصبح من الصعب على المتعلمين تقييم ما إذا كانوا يمتلكون المهارات والمعرفة اللازمة لإدارة الدورة بنجاح أم لا. لحل هذه المشكلة، قمنا في هذه الدراسة بتطوير إطار عمل يعتمد على تعلم الآلة للتنبؤ بمستويات صعوبة الدورات باستخدام مجموعة بيانات دورات "كورسيرا". تشمل مساهماتنا استخدام ثلاثة مصنفات قوية قمنا بمقارنتها مع بعضها: Gradient Boosting (GB)، و Random Forest (RF)، و XGBoost. كما قمنا بتنفيذ العديد من عمليات المعالجة المسبقة، مثل التعامل مع القيم المفقودة، وترميز المتغيرات الفئوية، واستخدام تقنية SMOTE لموازنة مجموعة البيانات. أظهرت نتائج التقييم تفوق نموذج XGBoost بدقة تصل إلى 96.4% بالإضافة إلى نتائج ممتازة في الدقة والاسترجاع وقيمة F1 لجميع الفئات. تشمل دلالات هذه الدراسة إمكانيات تحسين أنظمة توصية الدورات وتخصيص التعليم عبر الإنترنت، فضلاً عن المزيد من التحسين من خلال إدخال ميزات جديدة وتنبؤات في الوقت الفعلي.