سير عمل قابل لإعادة إنتاج لتقييم الاستبيانات وشجرة القرار C5.0 لتصنيف التفكير الأعلى المبلغ عنه ذاتيا في التعلم التوليدي المدعوم بالذكاء الاصطناعي

Xueyan Zhao; Pu Song; Mengmeng Zhong; Shiya Zhu

doi:10.3791/71447

مقالة منهجية

سير عمل قابل لإعادة إنتاج لتقييم الاستبيانات وشجرة القرار C5.0 لتصنيف التفكير الأعلى المبلغ عنه ذاتيا في التعلم التوليدي المدعوم بالذكاء الاصطناعي

DOI:

10.3791/71447

⸱

يونيو 5, 2026

Xueyan Zhao¹ , Pu Song¹ , Mengmeng Zhong² , Shiya Zhu³

¹School of Educational Science, Yili Normal University, ²Vocational Education Research Institute, Liuzhou Polytechnic University, ³School of Education, Liupanshui Normal University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا البروتوكول سير عمل قابل للتكرار لجمع بيانات الاستبيان الذاتي، وتقييم المتغيرات المتعلقة بالمتعلم، وتقسيم درجات التفكير من الدرجة الأعلى، وتطبيق شجرة قرار C5.0 لإظهار تصنيف المتعلم القابل للتفسير في التعلم الأكاديمي المدعوم بالذكاء الاصطناعي التوليدي.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يستخدم الذكاء الاصطناعي التوليدي بشكل متزايد في التعليم العالي، لكن الباحثين لا يزالون بحاجة إلى إجراءات شفافة لجمع وتقييم وتنظيم بيانات الاستطلاعات على مستوى المتعلم في هذا السياق المتغير بسرعة. تقدم هذه المقالة سير عمل قابل لإعادة إنتاج لتقييم الاستبيانات وشجرة القرار C5.0 لتصنيف التفكير الأعلى المبلغ عنه ذاتيا بين طلاب الجامعات الذين استخدموا أدوات الذكاء الاصطناعي التوليدي للتعلم الأكاديمي. يغطي البروتوكول استقطاب المشاركين، إدارة الاستبيانات، فحص جودة الاستجابة، حساب النقاط المركبة، الترميز الثنائي، تقسيم الاختبار والتدريب، بناء شجرة C5.0، التقليم، تصدير مخرجات النموذج، وتفسير مسارات التصنيف القائمة على العقد. يتم عرض سير العمل باستخدام مجموعة بيانات استطلاع جامعي واحد تضم 776 طالب بكالوريوس جمعوا في الصين من 7 إلى 15 مارس 2023. يتم تفعيل التفكير الأعلى كنتيجة استبيان تم الإبلاغ عنها ذاتيا بدلا من أن تكون الأداء المعرفي الملحوظ مباشرة. في مجموعة البيانات العرضية، احتفظت الشجرة المشذبة بثمانية متغيرات متعلقة بالمتعلم: قلق الذكاء الاصطناعي التوليدي، الثقة في الذكاء الاصطناعي التوليدي، الاستخدام الإشكالي للهواتف الذكية، التسويف الأكاديمي، الأداء الأكاديمي، تربية الوالدين، المشاعر السلبية، والمواقف تجاه الذكاء الاصطناعي التوليدي. حقق النموذج المحتفظ به دقة 89.52٪ في مجموعة التدريب الفرعية و86.21٪ في مجموعة الاختبار. ومع ذلك، أظهر التقييم الخاص بفئة أداء غير متساو، مع استدعاء أضعف بكثير لفئة Low-HOT مقارنة بفئة High-HOT. لذلك، يجب تفسير الشجرة كعرض مساعد وقابل للتفسير لسير العمل بدلا من كأداة فحص معتمدة. قد يدعم هذا البروتوكول الباحثين الذين يحتاجون إلى إجراء موثق وقابل للتكرار لتحليل المتعلمين القائم على الاستبيانات في بيئات التعلم المدعومة بالذكاء الاصطناعي التوليدي.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

التفكير الأعلى هو مصدر قلق مركزي في التعليم العالي لأن التعلم الجامعي يتوقع أن يتجاوز استرجاع المعرفة الواقعية ليشمل التحليل، والتقييم، والتأمل، وحل المشكلات، وخلق المعرفة¹. أوضحت المراجعات اللاحقة لتصنيف بلوم أن التعلم المتقدم لا يشمل فقط التذكر والفهم، بل يشمل أيضا التطبيق والتحليل والتقييم وخلق المعرفة في سياقات متزايدة التعقيد². هذا التمييز مهم للبروتوكول الحالي لأن التفكير الأعلى لا يعامل كدرجة إنجاز بسيطة، بل كبناء على مستوى المتعلم يتطلب تفعيلا دقيقا قبل تحليله. في البحث التربوي، تم ربط التفكير الأعلى أيضا بالتفكير النقدي، والمراقبة فوق المعرفية، ونقل التعلم عبر سياقات المشكلة³. بالنسبة للتعلم المدعوم بالتكنولوجيا، تصبح هذه القضية مهمة بشكل خاص لأن الطلاب غالبا ما يحتاجون إلى ربط المفاهيم، وتقييم المعلومات المولدة، واتخاذ قرارات أثناء أنشطة حل المشكلات بدلا من مجرد تلقي محتوى تعليمي⁴.

الانتشار السريع للذكاء الاصطناعي التوليدي جعل قياس التفكير من الدرجة العليا أكثر تعقيدا. يمكن لأدوات الذكاء الاصطناعي التوليدي إنتاج نصوص، وشيفرة، وصور، وشروحات، وملخصات، وأشكال أخرى من الدعم الأكاديمي من الأنماط التي تم تعلمها من مجموعات بيانات واسعة^{النطاق 5}. أصبحت نماذج اللغة الكبيرة، بما في ذلك ChatGPT، بارزة بشكل خاص في التعليم العالي خلال الفترة الأولى من التبني العام في أواخر 2022 وأوائل 2023^. في البيئات الأكاديمية، يمكن للطلاب استخدام هذه الأدوات للبحث عن المعلومات، وشرح المفاهيم، وتطوير المخطط، وتوليد الأفكار، ومراجعة الواجبات، ودعم الترجمة، وغيرها من الأنشطة المتعلقة بالدورات. قد تقلل هذه الاستخدامات من عبء العمل الروتيني، لكنها قد تغير أيضا طريقة تخصيص الطلاب للانتباه، وتقييم جودة المعلومات، وتنظيم جهودهم المعرفية الخاصة. لهذا السبب، يتطلب البحث في التعلم المدعوم من الذكاء الاصطناعي التوليدي إجراءات توثق بوضوح كيفية جمع وتقييم وترميز وتفسير المتغيرات على مستوى المتعلم.

أظهرت الأعمال السابقة حول التعلم الرقمي والمدمج أن التكنولوجيا يمكن أن تدعم التفكير من الدرجة العليا عندما يبقى الطلاب منخرطين بنشاط في مهام التعلم بدلا من استخدام البيئة بشكل سلبي.⁷. أشارت الدراسات المحمولة والتعليمية المعززة بالتقنية إلى أن التفاعل بين الأقران، وإدراك التعلم، والمشاركة النشطة لها صلة بميول الطلاب في التفكير المتقدم.⁸. كما تم استخدام أساليب التنقيب عن البيانات لاستكشاف كيفية ارتباط سلوكيات التعلم عبر الإنترنت بمهارات التفكير المتقدمة، مما يوضح قيمة تنظيم البيانات التعليمية في أنماط متعلمة قابلة للتفسير⁹. جزء كبير من أبحاث استخدام التكنولوجيا استند إلى نموذج قبول التكنولوجيا، الذي يفسر سلوك الاستخدام من خلال الفائدة المدركة وسهولة^{الاستخدام} المدركة. ومع ذلك، يختلف التعلم المدعوم بالذكاء الاصطناعي التوليدي عن سياقات التعلم الرقمي السابقة لأن الطلاب يتفاعلون مع أنظمة تولد استجابات مفتوحة النهاية، وتشكل الثقة، وقد تحفز أو تقلل من المشاركة النقدية. لذلك، يجب ألا يسجل بروتوكول هذا الموضوع فقط ما إذا كان الطلاب يقبلون التقنية، بل يجب أيضا توثيق كيفية إعداد المؤشرات العاطفية والسلوكية والأكاديمية والسياقية للتحليل.

تعد العديد من المتغيرات المتعلقة بالمتعلم ذات صلة خاصة في هذا السياق. قد يؤثر الثقة في الذكاء الاصطناعي على اعتماد الطلاب على الناتج المولد، أو التشكيك فيه، أو دمجه في العمل الأكاديمي بحذر¹¹. القلق من التكنولوجيا أو الذكاء الاصطناعي قد يكون له أهمية أيضا، رغم أنه لا ينبغي تفسيره في اتجاه واحد دون الحذر التجريبي¹². الاستخدام الإشكالي للهواتف الذكية هو مؤشر سلوكي آخر ذي صلة لأن الانتباه المجزأ والتشتت المرتبط بالأجهزة قد يتداخل مع الانخراط المعرفي المستمر خلال الدراسة¹³. تشير أبحاث التعلم العامة إلى أن استراتيجيات التعلم الذاتية التنظيم مرتبطة بالتحصيل الأكاديمي في البيئات الإلكترونية والمدعومة بالتقنية¹⁴. تشير أبحاث التعلم القائم على الاستقصاء والتعاوني أيضا إلى أن التعلم المعنوي يعتمد على كيفية مشاركة الطلاب في مهام التعلم، وتنظيم الأدلة، وبناء^{الشروحات.} تدعم هذه الاعتبارات استخدام سير عمل استطلاعي متعدد المتغيرات بدلا من مقياس ضيق للتعرض للذكاء الاصطناعي التوليدي فقط.

توفر نظرية الحمل المعرفي مبررا إضافيا لتوثيق المؤشرات العاطفية والسلوكية في نفس سير العمل. نظرا لمحدودية الذاكرة العاملة، يمكن أن تتداخل المعلومات المفرطة أو غير المنظمة بشكل جيد مع التعلم وحل المشكلات¹⁶. في التعلم المدعوم بالذكاء الاصطناعي التوليدي، تصبح هذه المشكلة واضحة عندما يواجه الطلاب مخرجات مولدة بكثرة، أو تفسيرات غير متسقة، أو اقتراحات غير ذات صلة، أو مصادر معلومات متنافسة. كما ثبت أن النشاط العاطفي مرتبط بالحمل المعرفي أثناء التعلم متعدد الوسائط، مما يشير إلى أن الحالات العاطفية قد تشكل كيف يعالج المتعلمون المعلومات في بيئات غنية بالتكنولوجيا^. وفي الوقت نفسه، أكدت المناقشات الحالية حول الذكاء الاصطناعي العام والتعليم المستقبلي أن الذكاء الاصطناعي قد يعيد تشكيل ممارسات التعلم أسرع مما يمكن للأنظمة التعليمية التقليدية التكيف مع¹⁸. تجعل هذه الظروف من الضروري استخدام طريقة تسجل ليس فقط مواقف التكنولوجيا، بل أيضا الحالة العاطفية، والتنظيم الذاتي، والخلفية الأكاديمية، والمتغيرات السياقية. في سير العمل الحالي، تعامل هذه المتغيرات كمؤشرات مسح ذاتي التقارير، وليس كآثار سلوكية أو آليات سببية ملاحظة مباشرة.

من الصعوبات المنهجية أن ملفات المتعلم نادرا ما تتشكل بواسطة متغير واحد فقط. غالبا ما تحتوي بيانات الاستبيانات التعليمية على مجموعات متعددة من المؤشرات العاطفية والسلوكية والأكاديمية والسياقية والتكنولوجية. نماذج الانحدار التقليدية مفيدة لتقدير الارتباطات الصافية، لكنها أقل بديهية عندما يكون الهدف هو عرض التفرع الشرطي، والتمايز، والتصنيف القائم على القواعد. يوفر تحليل شجرة القرار نهجا تكميلي لأنه يقسم الحالات بشكل متكرر إلى فروع قابلة للتفسير ويجعل تسلسل التصنيف مرئيا عبر هياكل العقد¹⁹. مقارنة بنماذج التعلم الآلي الأكثر تعقيدا، فإن شجرة القرار الواحدة أسهل في الفحص والشرح والتصدير كجزء من سير عمل قابل للتكرار. مقارنة بالنمذجة الخطية القياسية، يمكن أن تظهر كيف تشكل تركيبات مؤشرات المتعلم مسارات تصنيف عملية في البيانات التعليمية²⁰. ومع ذلك، فإن الشجرة الواحدة أيضا حساسة لاختلال الفئة، وقرارات التقسيم، وإعدادات التقليم، وخصائص العينة. لهذا السبب، تستخدم شجرة القرار في هذا البروتوكول كخطوة تصنيف مساعدة قابلة للتفسير، وليس كمحرك تنبؤ عالمي أو نموذج سببي²¹.

تقدم هذه المقالة سير عمل قابل لإعادة إنتاج لتقييم الاستبيانات وشجرة القرار C5.0 لتصنيف التفكير الأعلى المبلغ عنه ذاتيا في التعلم الأكاديمي المدعوم بالذكاء الاصطناعي التوليدي. يتم عرض سير العمل من خلال مجموعة بيانات جامعية واحدة تضم 776 طالبا جامعيا تم جمعهم في الصين من 7 إلى 15 مارس 2023. النتيجة هي نتيجة استبيان تفكير من الدرجة العليا تم الإبلاغ عنها ذاتيا ويتم تصنيفها لتصنيف الاحتياطي؛ وليس مقياسا مباشرا للأداء المعرفي المثبت. يشير التعرض للذكاء الاصطناعي التوليدي في هذا العرض إلى استخدام الطلاب المبلغ عن استخدام أدوات الذكاء الاصطناعي التوليدي في الأنشطة الأكاديمية المتعلقة بالمقررات خلال الأسابيع الأربعة السابقة، بما في ذلك البحث عن المعلومات، وشرح المفاهيم، وتوليد الأفكار، وصياغة المخططات، ومراجعة الواجبات. لم يتم التحقق من استخدام الأداة من خلال سجلات المنصات، أو سجلات الطلبات، أو تتبع النشاط في الوقت الحقيقي.

الغرض من البروتوكول ليس الادعاء بأن شجرة الاحتفاظ بها تعمم على جميع المؤسسات أو المجموعات أو بيئات الذكاء الاصطناعي التوليدي الحالية. هذا الحذر ضروري لأن بيانات العرض تم جمعها في إحدى الجامعات خلال فترة قصيرة في أوائل عام 2023، عندما كان تعرض الطلاب للذكاء الاصطناعي التوليدي لا يزال يتطور بسرعة. بدلا من ذلك، تكمن مساهمة المقالة في جعل الإجراء الكامل قابلا للتكرار: تحديد سياق المسح، إدارة الاستبيان، فرز الردود، تقييم البنى، توثيق الموثوقية، تطبيق قاعدة ترميز ثابتة، تقسيم مجموعة البيانات، تدريب وتقليم شجرة C5.0، تصدير مخرجات النموذج، وتفسير مسارات التصنيف القائمة على العقد مع مراعاة الأداء الخاص بالفئة. قد يساعد هذا السير العملي المركز على المنهجية الباحثين التربويين، والباحثين الموجهين للفصول الدراسية، والمحللين التعليميين على إعادة إنتاج أو تكييف نهج شفاف لتحليل المتعلمين القائم على الاستبيانات في التعلم التوليدي المدعوم بالذكاء الاصطناعي.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تمت مراجعة هذه الدراسة التي شملت مشاركين بشريين والموافقة عليها من قبل لجنة الأخلاقيات في كلية العلوم التربوية بجامعة ييلي نورمال (رقم المرجع: LZEDU2023003). أجريت الدراسة من 7 إلى 15 مارس 2023. قررت اللجنة أن الدراسة مؤهلة للإعفاء الأخلاقي لأنها تضمنت فقط إجراءات استبيان طوعية مجهولة الهوية دون أي ضرر جسدي أو نفسي أو اجتماعي للمشاركين. قدم جميع المشاركين موافقة مستنيرة إلكترونيا قبل إكمال الاستبيان.

قبل التحليل، استبدل سجلات المستجيبين بأرقام قضايا غير قابلة للعكس وقم بإزالة جميع المعرفات المباشرة. لا تحتفظ بالأسماء، أرقام تعريف الطلاب، أرقام الهواتف، أسماء الحسابات، معرفات الصفوف، عناوين بروتوكول الإنترنت، معرفات الأجهزة، أو علامات حساب المنصة الخام في الملف التحليلي. استخدم معلومات التحكم المكررة فقط لفحص الاستجابة، ثم قم بإزالتها قبل قفل مجموعة البيانات التحليلية.

1. تحديد إعداد المسح وإجراءات أخذ العينات

تحديد بيئة الدراسة ومعايير الأهلية
1. أجر المسح في جامعة ليوتشو للفنون، منطقة قوانغشي تشوانغ ذاتية الحكم، الصين، من 7 إلى 15 مارس 2023.
2. حدد الفئة المستهدفة كطلاب جامعيين مسجلين حاليا في الجامعة المشاركة.
3. يشمل الطلاب الذين أبلغوا عن استخدامهم أداة ذكاء اصطناعي توليدي واحدة على الأقل للتعلم الأكاديمي المتعلق بالمقررات خلال الأسابيع الأربعة السابقة.
4. عرف الاستخدام الأكاديمي المؤهل كبحث عن المعلومات، شرح المفاهيم، توليد الأفكار، صياغة المخطط، مراجعة الواجبات، دعم الترجمة، المساعدة المتعلقة بالبرمجيات، أو مهام أخرى متعلقة بالدورات.
5. استبعد الطلاب الذين يبلغون عن استخدام الترفيه فقط، أو الدردشة العادية، أو التجارب غير الدراسية، أو أي استخدامات أخرى غير متعلقة بالمقررات.
6. استبعد المشاركين الذين ليسوا طلابا حاليين، أو لا يبلغون عن الاستخدام الأكاديمي للذكاء الاصطناعي التوليدي، أو يرفضون الموافقة الإلكترونية المستنيرة، أو يقدمون استبيانات غير صالحة وفقا لقواعد الفحص أدناه.
7. سجل التعرض للذكاء الاصطناعي التوليدي من خلال عناصر تقرير ذاتي تشمل فئة الأداة أو اسم الأداة، وتكرار الاستخدام التقريبي خلال الأسابيع الأربعة السابقة، والمهام الأكاديمية المدعومة بالأداة. لا تعامل هذه البيانات كسجلات استخدام مؤكدة للمنصات.
بناء إطار العينة واستقطاب المشاركين
1. احصل على إطار العينات الجامعية المؤسسي من الجامعة المشاركة. يغطي الإطار أكثر من 15,000 طالب عبر 46 تخصصا.
2. تطبيق عينة عشوائية طبقية حسب الفئة الرئيسية ومستوى السنة لرسم قائمة الدعوات، بحيث يتم تمثيل الطلاب من مجالات تخصصية ومراحل دراسية مختلفة في العينة المدعوة.
3. طبق عينة عشوائية طبقية حسب الفئة الرئيسية ومستوى السنة لرسم قائمة الدعوات.
4. ادع 800 طالب مختار باستخدام إشعار توظيف موحد.
5. توزيع رمز الاستبيان السريع فقط على الطلاب المدعوين خلال الفترات غير التعليمية، مثل فترات الاستراحة أو جلسات الإرشاد الطلاب.
6. سجل كامل سير التوظيف والفرز. في هذا السير العملي، تمت دعوة 800 طالب وتم إعادة 792 استبيانا. تم استبعاد ستة عشر استبيانا: 4 لاستخدام الذكاء الاصطناعي التوليدي غير المؤهل، 3 للتقديم المكرر، 5 لوقت إكمال أقل من الحد الأدنى، و4 لأنماط الاستجابة المستقيمة غير الصالحة. احتوت العينة التحليلية النهائية على 776 استبيانا صالحا.

2. تكوين إدارة الاستبيانات وإجراءات خصوصية البيانات

قم بتكوين الاستبيان الإلكتروني
1. قم ببناء وتوزيع الاستبيان باستخدام منصة الاستبيان الإلكترونية، المعروفة أيضا باسم Questionnaire Star.
2. تمكين توزيع رموز الاستجابة السريعة، والاستجابات الإلزامية على عناصر المقياس، وتصدير وقت الإرسال، وفحص التحكم المكرر، وتصدير جداول البيانات.
3. قم بإغلاق الاستبيان الموجه للمستجيب قبل جمع أول إجابة صحيحة. حافظ على صياغة البند، ترتيب البند، نقاط الرد، التعليمات، ملصقات المقياس، صياغة الموافقة، ومسار الوصول دون تغيير طوال فترة الاستطلاع.
4. اجعل جميع العناصر بالحجم كعناصر مطلوبة. لا تستخدم النسبة اللاحقة للاستجابات على المقياس.
5. تمكين التحكم في التقديم الواحد من خلال أقل خيار للمنصة يمكن التعرف عليه. استخدم العلامات على مستوى الحساب أو الجهاز أو المنصات فقط للفحص المكرر.
توحيد شروط الإنجاز
1. اطلب من المشاركين إكمال الاستبيان بشكل فردي، في جلسة واحدة، ودون نقاش مع الأقران.
2. اطلب من المشاركين الإجابة بناء على استخدامهم الأكاديمي الفعلي للذكاء الاصطناعي التوليدي خلال الأسابيع الأربعة السابقة.
3. اطلب من المشاركين إكمال الاستبيان في بيئة هادئة وتجنب تبديل الأجهزة، أو التوقفات الممتدة، أو الوصول المتكرر بعد التقديم.
4. اضبط نافذة الإكمال المتوقعة عند 530 دقيقة. استخدم وقت الإكمال فقط كمؤشر جودة للاستجابة.

3. فحص الردود وقفل مجموعة البيانات التحليلية

تصدير ملف الاستجابة الخام
1. تصدير ملف الاستبيان الخام من منصة الاستبيان الإلكترونية بعد إغلاق نافذة الاستبيان.
2. حافظ على التصدير الخام قبل الاستبعاد أو التقييم أو الترميز أو بناء النماذج.
3. قم بتعيين أرقام قضايا غير معروفة لجميع السجلات المرتجعة قبل الفحص. في هذا السير العملي، قم بتعيين أرقام الحالات للاستبيان ال792 الذي تم إرجاعه.
تطبيق قواعد استبعاد جودة الاستجابة
1. استبعد السجلات دون موافقة إلكترونية مستنيرة.
2. استثنا السجلات التي لا تستوفي حالة الطالب الحالية أو الأهلية الأكاديمية.
3. استبعد السجلات التي تفتقد استجابات غير ديموغرافية بعد التصدير. في هذا السير العمل، منعت إعدادات الاستجابة الإلزامية الاستجابات المفقودة على المقياس.
4. استخدم متوسط وقت إكمال 2 ثانية لكل عنصر مغلق لتحديد السجلات التي من غير المرجح أن تعكس قراءة ومعالجة الاستجابة على مستوى البند. استبعد السجلات التي تقل عن هذا الحد.
5. افحص السجلات التي تم إنجازها في أقل من 5 دقائق أو أكثر من 30 دقيقة كاحتمال وجود ردود منخفضة الجودة أو مقطعة. احتفظ بالسجلات خارج هذه الفترة فقط عندما لا تشير الفحص المكرر وفحص نمط الاستجابة إلى إكمال غير صحيح.
6. استخدم الاستجابة الخطية المستقيمة كمؤشر إضافي لجودة الاستجابة. استبعد السجلات التي يتم فيها اختيار نفس خيار الاستجابة على الأقل ل 90٪ من عناصر مقياس ليكرت، حيث يشير هذا النمط إلى تفاعل محدود مع محتوى العنصر.
7. استبعد المشاركات المكررة بناء على علامات التكرار على المنصة واحتفظ بأقدم سجل كامل صالح.
8. احتفظ بالاستبيان الموجه للمستجيب كملف تكميلي 1.
9. احتفظ بسجل الفحص كملف تكميلي 2. يجب أن يبلغ سجل الفحص الطلاب المدعوين، والاستبيانات المرتجعة، والاستبيانات المستبعدة، وأسباب الاستبعاد، والحالات النهائية التي تم الاحتفاظ بها.
إنشاء مجموعة بيانات تحليلية مقفلة
1. احتفظ ب 776 استبيانا صالحة بعد الفحص. قم بتثبيت الاستبيان الموجه للمستجيب ومجموعة البيانات التحليلية قبل التقييم لضمان عدم تغيير صياغة البند، ومعايير الأهلية، وقرارات الاستبعاد، وتعريفات المتغيرات بعد جمع البيانات.
2. قم بإزالة المعرفات المباشرة، والطوابع الزمنية الخام، وعلامات مستوى الحساب، وتتبع مستوى الجهاز، وعلامات التحكم المكررة قبل التحليل. استخدم هذه الخطوة لإزالة الهوية لحماية مجهولة هوية المشاركين ومنع ربط مجموعة البيانات التحليلية بالطلاب الفرديين.
3. احفظ مجموعة بيانات الحالة غير المحددة 776 كمجموعة بيانات تحليلية مقفلة.
4. استخدم مجموعة البيانات التحليلية المغلقة كمصدر وحيد للتقييم والترميز والتصنيف.

4. قياس المتغيرات المتعلقة بالمتعلم

نظم الاستبيان
1. قسم الاستبيان إلى أربعة أقسام: الموافقة المستنيرة، الخلفية الديموغرافية والأكاديمية، التعرض للذكاء الاصطناعي التوليدي، ومقاييس متعلقة بالمتعلم.
2. سجل الجنس، العمر، التخصص، مستوى السنة الدراسية، والأداء الأكاديمي المبلغ عنه ذاتيا.
3. سجل التعرض للذكاء الاصطناعي التوليدي حسب فئة الأدوات، وتكرار الاستخدام التقريبي، والمهمة الأكاديمية المدعومة.
4. قس التفكير العالي المبلغ عنه ذاتيا، وقلق الذكاء الاصطناعي التوليدي، والثقة في الذكاء الاصطناعي التوليدي، والمشاعر السلبية، والمواقف تجاه الذكاء الاصطناعي التوليدي، والاستخدام الإشكالي للهواتف الذكية، والتسويف الأكاديمي، والتربية الأبوية.
5. عامل جميع المتغيرات القائمة على المقياس كمؤشرات استطلاع ذاتي التقارير، وليس كمؤشرات سلوكية مباشرة أو أداء معرفي ملاحظ مباشرة.
تعريف المقاييس المحتجزة
1. قس التفكير العالي المبلغ عنه ذاتيا باستخدام أداة مكونة من 23 بندا تغطي حل المشكلات، والتفكير النقدي، والعمل الجماعي، والتواصل،^{والابتكار.}
2. قس قلق الذكاء الاصطناعي التوليدي باستخدام مقياس قلق التكنولوجيا المعدلة المكون من 11 عنصرا²³.
3. قس الثقة في الذكاء الاصطناعي التوليدي من خلال الثقة المعدلة المكونة من 12 بندا في مقياس الأتمتة²⁴.
4. قس المشاعر السلبية باستخدام مقاييس الاكتئاب والقلق والتوتر المعدلة. مجموعة من 21 بندا تستخدم كمؤشر عام للمشاعر السلبية²⁵. لا تفسر هذه الدرجة على أنها تشخيص سريري.
5. قس المواقف تجاه الذكاء الاصطناعي التوليدي^{باستخدام مقياس} تقني-موقف متكيف مكون من 18 بندا.
6. قس الاستخدام الإشكالي للهواتف الذكية باستخدام مقياس إدمان الهواتف الذكية النسخة المختصرة المعدلة لسياق استطلاع الطلاب²⁷.
7. قس التسويف الأكاديمي^بمقياس التسويف الأكاديمي المكون من 16 بندا.
8. قس الأداء الأكاديمي ببند تقرير ذاتي مكون من 5 نقاط: 1 = أقل بكثير من المتوسط، 2 = أقل من المتوسط، 3 = متوسط، 4 = فوق المتوسط، و5 = ممتاز.
9. قس تربية الوالدين بعنصر سياق ذاتي من 5 نقاط: 1 = غير داعم إطلاقا، 2 = غير داعم، 3 = محايد أو مختلط، 4 = داعم، و5 = داعم للغاية.
تحديد نقاط الاستجابة وإجراءات التكيف
1. استخدم تنسيق استجابة من نوع ليكرت من 1 إلى 5 للمتغيرات المحتفظة بالمقياس.
2. استخدم المؤشرات العامة: 1 = معارض بشدة، 2 = معارض، 3 = محايد أو غير مؤكد، 4 = موافق، و5 = متفق بشدة.
3. إدارة الاستبيان بالصينية لضمان إكمال جميع العناصر بمقياس الدراسة في السياق التعليمي واللغوي المستخدم في الجامعة المشاركة.
4. قم بتكييف العناصر المصدرية من خلال الترجمة المسبقة، ومراجعة الخبراء، وتعديل الصياغة للتعلم المدعوم بالذكاء الاصطناعي التوليدي، وفحص قابلية القراءة التجريبي للحفاظ على المعنى المقصود مع تحسين وضوح السياق للطلاب الصينيين الجامعيين.
5. استخدم مراجعة الخبراء للتحقق مما إذا كانت العناصر المعدلة لا تزال متسقة مع البنى الأصلية، ونقاط الاستجابة، واتجاه التقييم، وسياق الدراسة. راجع فقط الصياغة التي قد تسبب غموضا أو عدم توافق في السياق أو سوء فهم في بيئة التعلم المدعومة بالذكاء الاصطناعي التوليدي.
6. أدرج صياغة البند، ونقاط الرد، وترتيب العناصر، واتجاه التقييم، وتسميات المتغيرات النهائية في الملف التكميلي 1.

5. تقييم المقاييس والتحقق من جودة القياس

جهز ملف العمل المسجل
1. افتح مجموعة البيانات التحليلية المغلقة في IBM SPSS Statistics 26.0.
2. احتفظ بمستجيب واحد لكل صف وعنصر أو متغير واحد لكل عمود.
3. تحقق من القيم المفقودة، ونطاقات الاستجابة، وتسميات العناصر، وأسماء المتغيرات.
4. احفظ مجموعة بيانات على مستوى العنصر قبل حساب الدرجات المركبة.
حساب الدرجات المركبة
1. احسب متوسط درجة مركبة واحدة على مستوى المستجيب لكل بناء متعدد العناصر.
2. العناصر التي تعتمد فقط على الدرجات العكسية التي تم تحديدها بأنها معكوسة في مفتاح التسجيل قبل حساب الدرجة المركبة.
3. لا تقم بتقييم عكسي لعناصر المشاعر السلبية المشتقة من DASS21 في هذا السير لأن جميع العناصر المحتجزة يتم تقييمها في نفس الاتجاه، مع القيم الأعلى التي تشير إلى تجربة عاطفية سلبية أقوى.
4. لا تحسب الدرجات المركبة من مقاييس محولة جزئيا.
5. احفظ ملف عمل مستمر للنقاط بعد حساب الدرجة المركبة.
تحقق من جودة القياس الداخلية
1. احسب ألفا كرونباخ لكل مقياس متعدد العناصر محفوظ في IBM SPSS Statistics 26.0. استخدم ألفا كرونباخ كمؤشر اتساق داخلي يشير إلى ما إذا كانت العناصر ضمن نفس المقياس تظهر اتساقا كافيا لحساب الدرجة المركبة.
2. فحص الارتباطات المصححة بين العنصر الكلي والقيم المحذوفة من ألفا إذا-العنصر لكل مقياس محفوظ. استخدم ارتباطات العنصر المصححة مع المجموع للتحقق مما إذا كان كل عنصر متوافقا بما فيه الكفاية مع الدرجة الكلية لمقياسه الخاص بعد استبعاد ذلك العنصر من الحساب الكلي.
3. استخدم قيم ألفا إذا-عنصر محذوف لتحديد العناصر التي قد تقلل من الاتساق الداخلي إذا تم الاحتفاظ بها. لا تقم بإزالة العناصر تلقائيا لأسباب إحصائية فقط؛ الاحتفاظ أو إزالة عنصر فقط بعد التحقق من معناه البنوي، واتجاه التقييم، والاتساق مع الاستبيان المعدل.
4. قم بإجراء اختبارات كايزر-ماير-أولكين وبارتليت لمجموعة المقاييس المعدلة.
5. أبلغ عن قيم ألفا الرئيسية لكرونباخ في النص الرئيسي.
6. قدم سجل التقييم والقياس الكامل كجدول تكميلي 1. يشمل عدد العناصر، نطاق الاستجابة، نقاط الاستجابة، اتجاه التسجيل، العناصر ذات المفتاح العكسي، قاعدة النقاط المركبة، ألفا كرونباخ، نتيجة التحقق من الارتباط الكلي للعنصر المصحح، نتيجة التحقق من ألفا إذا تم حذف العنصر، وتسمية المتغير النهائية.

6. تحويل الدرجات المستمرة إلى مدخلات تصنيف مساعدة

تطبيق الترميز الثنائي
1. استخدم ملف العمل المستمر للنقاط كملف المصدر.
2. إعادة ترميز التفكير من الرتبة العليا المبلغ عنه ذاتيا كمتغير الهدف الثنائي.
3. يحصل كود على تقييم ≤3 ك 0 وحصل على >3 ك 1.
4. تطبيق نفس العتبة على جميع المتنبئات المحتفظ بها بعد حساب الدرجة المركبة.
5. استخدم عتبة 3 كنقطة منتصف لمقياس الاستجابة من 1 إلى 5 لإنشاء قاعدة ترميز شفافة وقابلة للتكرار.
6. قم بإجراء التقسيم فقط لإنشاء مدخلات ثنائية لعرض شجرة القرار في C5.0.
7. تحقق من عدد الفئات بعد الانقسام.
8. حافظ على ملف العمل المستمر للنوتات.
إنشاء ملف التحليل المشفر
1. إنشاء ملف تحليل جديد مرمز بنظام ثنائي.
2. إعادة ترميز قلق الذكاء الاصطناعي التوليدي، الثقة في الذكاء الاصطناعي التوليدي، الاستخدام الإشكالي للهواتف الذكية، التسويف الأكاديمي، الأداء الأكاديمي، التربية الأبوية، المشاعر السلبية، والمواقف تجاه الذكاء الاصطناعي التوليدي باستخدام نفس العتبة.
3. تحقق من عدد الفئات لكل متغير ثنائي.
4. أبلغ عن قاعدة الترميز وعدد الفئات في الجدول 1.
5. حافظ على ملف التحليل المرمز الثنائي.
6. قدم هيكل ملف التحليل المشفر كملف تكميلي 3.

7. بناء مصنف شجرة القرار المساعد C5.0

تكوين بيئة النمذجة
1. افتح IBM SPSS Modeler 18.4 على نظام تشغيل ويندوز 10 64-بت.
2. استورد ملف التحليل المرمز الثنائي.
3. تعيين التفكير الثنائي المبلغ عنه ذاتيا من الدرجة العليا كحقل الهدف.
4. قم بتعيين جميع المتغيرات الثنائية الأخرى المحتفظ بها كحقول إدخال.
5. تحقق من أسماء الحقول، وتسميات القيم، وأدوار الأهداف/الإدخالات.
6. سجل اسم البرنامج، الإصدار، نظام التشغيل، تنفيذ C5.0، اسم ملف المشروع، وتاريخ التحليل في الجدول التكميلي 2.
تقسيم مجموعة البيانات
1. قسم الحالات ال 776 إلى تقسيم تدريب-اختبار بنسبة 70:30.
2. استخدم 20230307 البذرة العشوائية الثابتة.
3. تطبيق التقسيم الطبقي حسب هدف التفكير الثنائي من الدرجة الأعلى.
4. خصص 544 حالة لمجموعة التدريب و232 حالة لمجموعة الاختبار.
5. تحقق من أعداد HOT المنخفضة وعالية HOT في مجموعة البيانات الكاملة، ومجموعة التدريب الفرعية، ومجموعة الاختبار.
6. حافظ على سجل التقسيم في الجدول التكميلي 2.
درب وتقليم شجرة C5.0
1. درب مصنفا واحدا من C5.0 على مجموعة التدريب الفرعية.
2. استخدم نسبة الكسب كقاعدة الاختيار^{المنقسم 29}.
3. عرف الإنتروبيا كالتالي:
  الإنتروبيا(D) = −Σp_ilog₂(p_i)
  حيث p_i هي نسبة الحالات في الفئة i ضمن مجموعة البيانات D.
4. عرف نسبة الكسب كالتالي:
  نسبة الكسب (D, C) = [الإنتروبيا(D) − الإنتروبيا(D|C)]/SplitInfo (D, C)
  حيث C هو المتغير المرشح للانقسام.
5. تمكين التقليم من تقليل الفروع المحددة جدا التي قد تناسب ضوضاء مجموعة التدريب الفرعية.
6. استخدم الإعدادات التالية ل C5.0: تقليم = مفعل؛ تعزيز = معطل؛ عدد التجارب = 1؛ تكاليف التصنيف الخاطئ = غير مطبقة؛ أوزان الفئات = غير مطبقة؛ الحد الأدنى للسجلات لكل فرع فرعي = 2؛ التقليم العالمي = مفعل؛ رفع الشجرة الفرعية = مفعل؛ عامل الثقة = 0.25; قواعد الإيقاف = إعدادات IBM SPSS Modeler C5.0 الافتراضية ما لم يذكر خلاف ذلك.
7. لا تطبق العينة الزائدة الاصطناعية، أو وزن الفئات، أو التعلم الحساس للتكلفة في سير العمل الأساسي.
8. تصدير الشجرة الأولى والشجرة المقذوفة التي تم الاحتفاظ بها.
9. احفظ الهيكل النهائي للعقدة، وملخصات العقد النهائية، ومخرجات الأهمية المتغيرة، وقواعد التصنيف، وإعدادات النماذج.
عدم توازن الفئة في المستندات
1. احسب توزيع HOT المنخفض والعالي قبل تدريب النموذج.
2. سجل معدل عدم وجود معلومات كنسبة الفئة الأغلبية في مجموعة البيانات الكاملة ومجموعة الاختبار.
3. تفسير الشجرة كمخرج تصنيف مساعد قابل للتفسير بدلا من نموذج فحص محسن.
4. لتطبيقات مستقبلية تركز على الفحص، ضع في اعتبارك أوزان الفئات، التعلم الحساس للتكلفة، إعادة العينة، تقسيمات اختبار القطارات المتكررة، التحقق المتقاطع k-fold، أو تعديل العتبة.

8. تقييم وحفظ مخرجات التصنيف

تصدير مخرجات الأداء
1. طبق الشجرة المقذومة المحتجزة على مجموعة التدريب الفرعية.
2. تصدير مصفوفة الارتباك في التدريب، والدقة، والاستدعاء الخاص بالفئة، والدقة الخاصة بالفئة، ومخرجات العقدة النهائية.
3. طبق نفس الشجرة على مجموعة الاختبار.
4. تصدير مصفوفة الالتباس في الاختبار، والدقة، والاستدعاء الخاص بالفئة، والدقة الخاصة بالفئة، ومخرجات العقدة الطرفية.
5. احسب الاستدعاء ك TP/(TP + FN).
6. احسب الدقة ك TP/(TP + FP).
7. احسب الدقة العامة كحالات مصنفة بشكل صحيح مقسوما على إجمالي الحالات.
8. احسب معدل عدم وجود معلومات وقارن دقة الاختبار مع خط أساس الفئة المغلبة.
9. أبلغ عن مقاييس خاصة بالفئة مع الدقة العامة.
مخرجات التفسير الصادر
1. تصدير جدول الأهمية المتغيرة بقيم رقمية.
2. تصدير المخطط الشجري النهائي مع حجم عينة العقدة، الفئة المتوقعة، توزيع الفئات، واحتمالية الفئة.
3. إذا كان مخطط الشجرة الكامل مزدحما بصريا، قدم الشكل الرئيسي المبسط وضع جدول العقد الكامل في الملف الإضافي 4.
4. ملخصات تصدير العقد الطرفية بما في ذلك مسار القواعد، حجم عينة العقدة، الفئة المتوقعة، عدد HOT المنخفض، العد العالي HOT، وثقة التصنيف.
5. صف مسارين أو مسارين تمثيليين للتصنيف في النتائج التمثيلية.
الحفاظ على حزمة قابلية التكرار
1. حفظ ملف الاستجابة الخام، سجل إزالة التعريف، سجل الفرز، مجموعة البيانات على مستوى العناصر التي تم فحصها، ملف العمل المستمر للتقييم، ملف تحليل ثنائي المبرمج، جدول تدفق العينات، مفتاح التقييم، جدول الموثوقية، ملف مشروع C5.0، ملف الشجرة الأولية، ملف الشجرة المقصوص، مخرجات الأهمية المتغيرة، جدول العقد النهائية، مصفوفات الالتباس، وملخصات النماذج المصدرة.
2. قدم الجدول التكميلي 1 كسجل للتقييم والقياس.
3. قدم الجدول التكميلي 2 كسجل إعداد النموذج والمخرجات.
4. قدم الملف التكميلي 1 كاستبيان موجه للمستجيب.
5. قدم الملف التكميلي رقم 2 كسجل فحص نموذجي.
6. قدم الملف التكميلي 3 كهيكل ملف التحليل المشفر.
7. توفير ملف تكميلي 4 كنقطة طرفية ومخرج ذات أهمية متغيرة.
8. الحفاظ على مسار سير العمل ك: تصدير استبيان خام > سجل إزالة التعريف والفحص > مجموعة بيانات على مستوى العنصر > ملف عمل مستمر > ملف تحليل ثنائي > قسم التدريب/الاختبار > شجرة C5.0 الأولية > شجرة C5.0 > مخرجات التصنيف المصدرة > حزمة إعادة إنتاج إضافية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الإحصاء الوصفي للمتغيرات المحتجزة

يعرض الجدول 2 الإحصائيات الوصفية لمتغيرات الاستطلاع الذاتي المحتفظ بها في مجموعة بيانات الدرجات المستمرة قبل إعادة الترميز الثنائية. كان متوسط درجة التفكير الأعلى المبلغ عنها ذاتيا 3.71 (SD = 0.68)، وهو أعلى من عتبة منتصف النقطة الثابتة 3 على مقياس الاستجابة 1–5. كما تجاوزت الثقة في الذكاء الاصطناعي التوليدي هذا العتبة، بمتوسط 3.54 (SD = 0.60)، بينما كان الأداء الأكاديمي قريبا من العتبة، بمتوس...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا البروتوكول سير عمل قابل لإعادة إنتاج لتقييم الاستبيانات وشجرة القرار C5.0 لتنظيم بيانات المتعلمين الذاتية في التعلم الأكاديمي المدعوم بالذكاء الاصطناعي التوليدي. مساهمته الرئيسية منهجية أكثر منها تنبؤية. يحدد سير العمل كيفية تعريف سياق الاستبيان، وعرض الردود، وتقييم الهياكل متعددة العناصر، وتطبيق قاعدة ترميز ثابتة في منتصف النقطة، وتقسيم مجموعة البيانات، وتدريب وتقليم شجرة C5.0، وتصدير مخرجات على مستوى العقد، وتقييم الأداء الخاص بالفئة. تم اختيار C5.0 لأنه ينتج شجرة قابلة للتفسي...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنه لا توجد مصالح مالية متنافسة أو علاقات شخصية قد تبدو وكأنها تؤثر على العمل المبلغ عنه في هذه الورقة.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وقد دعم هذا البحث مشروع إصلاح التعليم للمنطقة الذاتية الحكم لعام 2024 "البحث في آلية مشاركة موارد التعليم الأيديولوجي والسياسي عالية الجودة في المناهج بين الجامعات الشرقية والغربية" (رقم المشروع: XJGXJGZH2024011).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسم	الشركة	رقم فهرسي	التعليقات
IBM SPSS Modeler	شركة آي بي إم.	الإصدار 18.4	يستخدم في تقسيم البيانات الطبقي بنسبة 70:30، وبناء شجرة القرار C5.0، والتقليم، وتقييم التصنيف، وتصدير مخرجات الشجرة.
إحصائيات IBM SPSS	شركة آي بي إم.	الإصدار 26.0	يستخدم لفحص البيانات، وحساب الدرجات المركبة، وتحليل الموثوقية، والتحقق من التردد، وإعادة الترميز الثنائية.
جهاز المستجيب المتصل بالإنترنت	الجهاز المملوك للمدعى عليه	هاتف ذكي أو جهاز لوحي أو لابتوب مع وصول إلى المتصفح	استخدمه المستجيبون لإكمال الاستبيان الإلكتروني. لم يتم توفير أي جهاز خاص بالدراسة.
مايكروسوفت إكسل	شركة مايكروسوفت.	Microsoft 365 أو Excel 2019 أو أحدث	يستخدم لمراجعة سجل الفحص، والتحقق من الترميز، وتنسيق الجداول، وفحص المخرجات المصدرة.
دالة توزيع رمز QR	ونجوانشينغ / نجم الاستبيان	وظيفة رمز QR المدمج في رابط الاستبيان	يستخدم لتوفير وصول موحد للاستبيان للطلاب المدعوين خلال نافذة الاستبيان.
إعداد إكمال المسح الهادئ	الجامعة المشاركة	استراحة الفصل غير التعليمي أو إعداد الإرشاد الطلابي	يستخدم لتقليل التفاوت بين الإجابة والسياق أثناء إكمال الاستبيان في جلسة واحدة.
دليل تخزين البيانات الآمن	المؤلفون / المؤسسات المشاركة	التخزين المؤسسي بالتحكم في الوصول	يستخدم للحفاظ على التصدير الخام، ومجموعة البيانات المفحصة، ومجموعة البيانات المدرجة، ومجموعة البيانات المبرمجة، وملفات النماذج، والسجلات، والمخرجات المصدرة مع التحكم في الإصدارات.
منصة الاستطلاع الإلكترونية Wenjuanxing / Questionnaire Star	شركة تشانغشا رانشينغ لتكنولوجيا المعلومات المحدودة.	منصة عبر الإنترنت؛ الوصول عبر الموقع الرسمي لوينجوانشينغ	يستخدم لبناء الاستبيانات، توزيع رموز QR، إعدادات الاستجابة الإلزامية، التحقق من التحكم المكرر، تصدير الطوابع الزمنية، وتصدير جداول البيانات.
نظام تشغيل ويندوز	شركة مايكروسوفت.	ويندوز 10، 64-بت	بيئة التشغيل ل IBM SPSS Statistics 26.0 و IBM SPSS Modeler 18.4.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

سير عمل قابل لإعادة إنتاج لتقييم الاستبيانات وشجرة القرار C5.0 لتصنيف التفكير الأعلى المبلغ عنه ذاتيا في التعلم التوليدي المدعوم بالذكاء الاصطناعي

في هذه المقالة

ملخص

الملخص

المقدمة

البروتوكول

النتائج

المناقشة

الإفصاحات

شكر وتقدير

المواد

إعادة الطباعة والأذونات

الوسوم

مقالات ذات صلة