مقالة بحثية

تحديد اهتمامات الطلاب بناءً على البيانات لأنظمة إدارة التدريس الذكية في كليات الهندسة

1 مشاهدات

⸱

DOI:

10.3791/71574

⸱

سبتمبر 1, 2026

1School of Foreign Languages, Bengbu University

في هذه المقالة

ملخص

يدمج بروتوكول مصنف الشبكة العصبية الهجين الكمي-الكلاسيكي القائم على التعلم التجميعي (ML-HQNC) بين النمذجة المعرفية المستوحاة من الكم، والمعالجة المسبقة للبيانات، واختيار الميزات، والتعلم العصبي الهجين لتحديد اهتمامات طلاب الهندسة. يقدم هذا البروتوكول سير عمل قابل للتكرار لتعلم الآلة الهجين المستوحى من الكم مخصص للتحليلات التعليمية، وهو موضح من خلال تحديد اهتمامات طلاب الهندسة باستخدام بيانات تعليمية متعددة الأبعاد.

الملخص

يقدم هذا البروتوكول إطاراً حوسبياً مستوحى من الكم لتحديد اهتمامات طلاب الهندسة باستخدام بيانات تعليمية وسلوكية متعددة الأبعاد. والهدف من ذلك هو توفير سير عمل منهجي وقابل للتكرار يدمج بين المعالجة المسبقة للبيانات، وتحليل الأنماط السلوكية، واختيار الميزات، والتعلم العصبي الهجين لدعم اتخاذ القرارات التعليمية والتعلم المخصص. يبدأ سير العمل باستخدام مقياس Box-Cox Robust IQR Scaling (BCRIS) لمعالجة البيانات التعليمية وتطبيعها من خلال تقليل الضوضاء الدلالية وتحسين جودة البيانات. بعد ذلك، يتم تحليل سلوكيات تعلم الطلاب باستخدام نموذج الحالة المعرفية الكمومية (QCSM)، الذي يمثل التحولات السلوكية وتفضيلات التعلم المتطورة في ظل ظروف غير مؤكدة. ثم يتم اختيار الميزات ذات الصلة باستخدام خوارزمية اختيار الميزات المعتمدة على تحسين سرب الحيتان المعزز كمومياً (QES-WOFS) لتقليل تكرار الميزات وتحديد الخصائص السلوكية المعلوماتية. وأخيراً، يقوم المصنف العصبي الهجين الكمومي-الكلاسيكي القائم على التعلم الفائق (ML-HQNC) بدمج التعلم المستوحى من الكم مع الشبكات العصبية العميقة لتصنيف اهتمامات الطلاب. تم التحقق من صحة البروتوكول باستخدام مجموعة بيانات تعليمية متاحة للعموم. وجرى تقييم أداء النموذج باستخدام مقاييس تقليدية، بما في ذلك الدقة (accuracy)، ودرجة F1-score، والمساحة تحت منحنى خصائص التشغيل للمستقبل (AUC)، جنباً إلى جنب مع دقة اكتشاف الاهتمامات (IDP)، ومؤشر استقرار النمط الكمومي (QPSI)، ومكسب التكيف عبر النطاقات (CDAG). حقق الإطار دقة تصنيف إجمالية بلغت 96.17% في مجموعة البيانات التي تم تقييمها. يوفر هذا البروتوكول سير عمل حوسبي قابل للتكرار لتحليل البيانات التعليمية متعددة الأبعاد لدعم الإدارة التعليمية الذكية وتطبيقات التعلم المخصص.

المقدمة

تُستخدم أنظمة الإدارة التعليمية بشكل متزايد في مختلف قطاعات التعليم، مدفوعة بالتقدم السريع في تكنولوجيا المعلومات وشبكات الحاسوب. وقد صاحب النمو المستمر في التعليم العالي زيادة في أعداد الطلاب المسجلين، لا سيما بين طلاب الهندسة، مما أدى إلى زيادة كبيرة في بيانات الإدارة التعليمية. ويدعم هذا النمو التنمية التعليمية المستدامة، ويسرع من عملية المعلوماتية التعليمية، ويسهل إنشاء أنظمة إدارة تعليمية معيارية تعزز اتساق وكفاءة الإدارة التدريسية. يوفر تعلم الآلة (ML) تقنيات حوسبية تمكن الأنظمة من تحليل البيانات، والتعلم من الأنماط، وتحسين الأداء التنبؤي باستمرار دون الحاجة إلى برمجة صريحة1,2.

تعد الجودة التعليمية مكوناً أساسياً في التعليم العالي. وفي السنوات الأخيرة، استُخدمت الامتحانات على نطاق واسع لتقييم مدى استيعاب طلاب الهندسة لمحتوى المساقات وقدرتهم على اكتساب معارف جديدة، مما يعزز التحسينات المستمرة في الجودة التعليمية. ويمكن إنشاء بيئات تعليمية متمحورة حول المتعلم من خلال الاستفادة من الموارد التعليمية المتنوعة المتاحة عبر المنصات التعليمية الإلكترونية وتطبيق نظريات تعلم متعددة لتلبية احتياجات المتعلمين المختلفين. ويلعب التدريس الفعال دوراً رئيسياً في تحسين نواتج التعلم لدى طلاب الهندسة في الجامعات والكليات3,4. علاوة على ذلك، يعزز التدريس الفعال بيئة تعليمية إيجابية، ويدعم فهم الطلاب لمحتوى المساق، ويحسن الأداء الأكاديمي. ويتم تقييم الجودة التعليمية باستخدام مؤشرات متعددة طوال العملية التعليمية، بما في ذلك هيكل المناهج الدراسية، وبيئة الفصل الدراسي، والمحتوى التدريسي.

يعزز التعليم العالي التطور الفكري والشخصي والاجتماعي للطلاب. وفي الوقت ذاته، أصبح اندماج الطلاب - بما يشمل الأبعاد السلوكية والعاطفية والمعرفية - والمثابرة الأكاديمية من المحددات المهمة لنتائج التعلم. تساهم المستويات العالية من اندماج الطلاب بشكل كبير في النجاح الأكاديمي على المدى الطويل5,6. وقد خلقت التطورات في تكنولوجيا التعليم فرصًا جديدة للتحليلات التعليمية القائمة على البيانات من خلال نمذجة العلاقات غير الخطية المعقدة بين الخصائص المعرفية والسلوكية والأكاديمية للطلاب باستخدام تقنيات تعلم الآلة (ML) والتعلم العميق (DL).

لا يزال التحدي الرئيسي يتمثل في الملاحظة والتقييم الفعال لديناميكيات الفصل الدراسي مع مراعاة سلوكيات الطلاب المتطورة. وغالباً ما تكون النهج التقليدية لتقييم الجودة التعليمية وتحليل سلوك طلاب الهندسة مستهلكة للوقت وعرضة للتقدير البشري الذاتي. ويؤثر تشتت انتباه الطلاب أثناء الأنشطة الصفية سلباً على مخرجات التعلم والأداء الأكاديمي7,8. ومع ذلك، فإن الحفاظ على الانتباه المستدام لدى طلاب الهندسة يظل أمراً صعباً بسبب المشتتات الداخلية والخارجية والتقلبات في الدافعية.

لقد أصبح تقييم وتحسين مشاركة الطلاب ذا أهمية متزايدة مع الاعتماد الواسع للتعلم عبر الإنترنت، والفصول الدراسية الذكية، وغيرها من التقنيات التعليمية التفاعلية. كما يسلط ضمان الشمول عبر المجموعات المتنوعة من طلاب الهندسة الضوء على الحاجة إلى أطر شاملة تدمج النهج القائمة على التكنولوجيا مع الممارسة التعليمية مع الحفاظ على الخصوصية والمعايير الأخلاقية. بالإضافة إلى ذلك، لا تزال الشفافية المحدودة للنماذج والتحديات المرتبطة بدمج التكنولوجيا9,10، بما في ذلك التحيز المنهجي والعدالة التعليمية، تعيق تطوير أنظمة تنبؤية قادرة على دعم المتعلمين من خلال المراقبة المستمرة.

لقد استُخدمت مناهج تعلم الآلة على نطاق واسع لمعالجة التحديات التعليمية، مثل التنبؤ بمخاطر الطلاب ومعدلات التسرب الدراسي. وقد أظهرت هذه المناهج القدرة على تحديد الطلاب المعرضين لمخاطر عالية، مما يدعم التدخلات التي تعمل على تحسين التحصيل الدراسي11. كما تم تطوير نظم إدارة تعليمية قائمة على الذكاء الاصطناعي (AI) لتعزيز العمليات الإدارية والأكاديمية على حد سواء داخل مؤسسات التعليم العالي. وعادةً ما تتضمن مجموعات البيانات التعليمية السجلات الأكاديمية مثل درجات المقررات، وسجلات الحضور، وتاريخ التسجيل12.

حللت الدراسات السابقة سلوك الطلاب من ثلاثة منظورات: بيانات التقييم، والأساليب، والنتائج13,14. وقد تم تطوير نماذج تنبؤية قائمة على الثقافة المعلوماتية لتحليل الخصائص السلوكية لطلاب الجامعات. وتركز هذه الدراسات بشكل أساسي على تقييم سلوك المتعلم باستخدام أساليب التعلم العميق (DL). ومع ذلك، لا يزال البحث في التقييم الذكي لسلوك المعلم في مراحله الأولى، مما يحد من التقدم في هذا المجال. وقد طُبقت الشبكات العصبية الالتفافية سريعة المنطقة (Fast R-CNNs) على مجموعات بيانات تعليمية لتحسين اكتشاف الأنشطة داخل الفصول الدراسية، مما أظهر تحسينات ملحوظة في الأداء مقارنة بالطرق التقليدية15.

ساهمت نماذج الذاكرة طويلة قصيرة المدى ثنائية الاتجاه (Bi-LSTM) التي تتضمن آليات مراقبة ذاتية في تحسين دقة التنبؤ بدرجات طلاب الكليات. وبالمثل، أظهرت نماذج التنبؤ التي تم تطويرها باستخدام مجموعات بيانات سلوك التعلم عبر الإنترنت أداءً تنبؤياً محسناً16,17,18. بالإضافة إلى ذلك، تم استخدام تجميع k-means (KMC) لتحديد خصائص مجموعات الطلاب المختلفة من خلال تحليل المجموعات، مما قدم رؤى حول سلوك الطلاب تدعم التحسينات في التدريس والإدارة والتعلم. كما اقتُرحت استراتيجيات قائمة على التعلم العميق لتحسين اكتشاف وتقييم سلوكيات التدريس داخل الفصول الدراسية. وفي هذه المنهجيات، تُستخدم السمات السلوكية داخل الفصل لإقامة علاقات بين تمثيلات السمات والمستويات الفائقة باستخدام قيم بدء قابلة للفصل خطياً لآلة المتجهات الداعمة (SVM)19,20. ومع ذلك، لا تزال هناك تحديات مثل التداخل البصري، والتفاصيل السلوكية الدقيقة، والتداخلات البيئية، والتي تحد من دقة التعرف على سلوك طلاب الهندسة في بيئات الفصول الدراسية.

وقد طُبِّق التعلم العميق أيضاً في التقييم القائم على المخرجات للمساقات الجامعية، بما في ذلك التقييم التربوي في التعليم السياسي والأيديولوجي.21,22وقد تم إثبات فعالية نماذج التنبؤ هذه باستخدام مجموعات بيانات تعليمية متاحة للعموم. كما استُخدمت الشبكات العصبونية النبضية ذات التغذية الأمامية (FSNNs) للتنبؤ بالأداء الأكاديمي للطلاب باستخدام بيانات جُمِعت من منصات التعلم عبر الإنترنت وأنظمة إدارة التعلم. وكما هو موضح في الشكل ١يتضمن سير العمل الحوسبي المقترح مجموعة بيانات لتقييم تعليمي لتحديد اهتمامات طلاب الهندسة من خلال مراحل متتالية تشمل المعالجة المسبقة للبيانات، وتحليل الأنماط السلوكية، واختيار الميزات، والتصنيف. الجدول ١23,24,25,26,27,28,29,30,31,32 تلخص هذه الدراسة الطرق التمثيلية الواردة في الدراسات السابقة، إلى جانب التقنيات المستخدمة والقيود المرتبطة بها لتحديد اهتمام الطلاب ضمن أنظمة إدارة التعلم.

figure-introduction-1
الشكل 1: إطار عمل تحديد اهتمامات الطلاب. سير العمل العام لإطار عمل تحديد اهتمامات طلاب الهندسة المقترح، والذي يتضمن الحصول على البيانات، والمعالجة المسبقة، وتحليل الأنماط السلوكية، واختيار الميزات، والتصنيف. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الجدول 1: تحليل سلوك الطلاب في الإدارة التعليمية. ملخص للطرق والتقنيات ومجموعات البيانات ومقاييس التقييم والقيود المذكورة لتحليل سلوك الطلاب في الإدارة التعليمية. يرجى النقر هنا لتحميل هذا الجدول.

تم تطبيق محول Swin وشبكة الهرم الميزاتي خفيفة الوزن (FPN) في الكشف عن سلوك الطلاب داخل الفصل الدراسي من خلال المعالجة الفعالة لخرائط الميزات متعددة المقاييس33. بالإضافة إلى ذلك، استُخدمت الشبكة العصبية المتكررة القابلة للضبط والمحسنة بواسطة خوارزمية ذبابة الفاكهة (PFFO-ARNN) لتحليل سلوك التعلم عبر الإنترنت للطلاب والتنبؤ بتحصيل المساق الدراسي34. كما سلطت الدراسات القائمة على بيانات سلوك الطلاب التي جُمعت من أنظمة إدارة التعلم الجامعية الضوء على عدم كفاءة وطبيعة استهلاك الوقت في مراقبة سلوك الفصل الدراسي باستخدام طرق التعلم العميق التقليدية35. يلخص الجدول 236,37,38,39,40,41,42,43,44,45,46,47 طرق التصنيف الممثلة، ومجموعات البيانات، ومقاييس التقييم، والقيود المبلغ عنها لأنظمة الإدارة التعليمية الذكية في التعليم الهندسي.

الجدول 2: أنظمة إدارة التدريس الذكية القائمة على التعلم العميق للتعليم الهندسي. مقارنة بين أنظمة إدارة التدريس الممثلة القائمة على التعلم العميق، ومجموعات البيانات، ومقاييس التقييم، والقيود الواردة في التقارير. يرجى النقر هنا لتحميل هذا الجدول.

طورت دراسة سابقة48 نموذجاً لتقييم جودة التدريس المدمج بناءً على شبكات الاعتقاد العميقة (DBNs)، واقترحت استراتيجية تقييم مختلطة لتقييم جودة التدريس في الجامعات. وقد تفوق النهج المقترح على الخوارزمية الجينية (GA) التقليدية من حيث دقة التصنيف ووقت التنفيذ، حيث حقق دقة تجاوزت 95% في زمن أقل من 5.4 ms. تم تدريب النموذج باستخدام مجموعات بيانات تعليمية مصنفة، وتم تقييمه باستخدام استراتيجية اختبار مستقلة49,50. وأظهرت النتائج المسجلة أداءً تنبؤياً قوياً، بمتوسط خطأ مطلق (MAE) قدره 0.593% وجذر متوسط مربع الخطأ (RMSE) قدره 0.785%.

تعمل البنيات الحديثة المعززة بالانتباه، مثل KANFormer51، على دمج الانتباه الذاتي متعدد الرؤوس مع شبكات كولموغوروف-أرنولد لتحسين التنبؤ بأداء الطلاب من خلال التقاط التفاعلات المعقدة للميزات. كما أظهرت نماذج تتبع المعرفة القائمة على المحولات تحسناً في دقة التنبؤ وقابلية التفسير عبر الاستفادة من آليات الانتباه لنمذجة مسارات تعلم الطلاب52. وعلى الرغم من أن البنيات القائمة على المحولات والانتباه قد حسنت الأداء في مهام التنبؤ التعليمي من خلال نمذجة التبعيات السياقية وتفاعلات الميزات طويلة المدى، إلا أن هذه النهج تركز بشكل أساسي على التنبؤ بأداء الطلاب أو تتبع المعرفة بدلاً من تحديد اهتمامات الطلاب مع مراعاة عدم اليقين من خلال النمذجة المعرفية المستوحاة من الكم، والاختيار الأمثل للميزات، والتعلم التجميعي الهجين.

على الرغم من التطورات الأخيرة في تعلم الآلة والتعلم العميق لتحليلات التعليم، إلا أن الأساليب الحالية لتحديد اهتمامات طلاب الهندسة تعاني من عدة قيود. إذ تركز العديد من النهج التقليدية بشكل أساسي على دقة التنبؤ مع إغفال الطبيعة متعددة الأوجه لسلوك الطلاب، بما في ذلك تفضيلات التعلم المتطورة، وعدم اليقين السلوكي، والعلاقات السياقية، والتفاعلات الدلالية. علاوة على ذلك، غالبًا ما تعتمد هذه الأساليب على هندسة الميزات التقليدية واستراتيجيات التعلم الحتمية، والتي قد لا تلتقط الأنماط السلوكية غير الخطية بشكل كافٍ أو تتكيف مع بيئات التعلم الديناميكية. وبناءً على ذلك، تبرز الحاجة إلى إطار عمل أكثر شمولاً يدمج المعالجة المسبقة القوية للبيانات، والنمذجة السلوكية الذكية، والاختيار التكيفي للميزات، وتقنيات التعلم الهجينة لتحسين تحليل البيانات التعليمية المعقدة.

ولمعالجة هذه المعوقات، يدمج الإطار المقترح بين المعالجة المسبقة القوية للبيانات، والنمذجة السلوكية المستوحاة من الكم، والاختيار الأمثل للميزات، والتعلم العصبي الهجين بين الكم والكلاسيكية في سير عمل حاسوبي موحد لتحديد اهتمامات طلاب الهندسة. ومن خلال الجمع بين هذه المكونات المتكاملة، يوفر البروتوكول المقترح نهجاً منهجياً وقابلاً للتكرار لتحليل البيانات التعليمية المعقدة لدعم التعلم الشخصي واتخاذ القرارات التعليمية.

يهدف هذا البحث إلى تطوير والتحقق من صحة إطار عمل CQEI باستخدام بيانات تربوية وسلوكية متعددة الأبعاد لتحديد اهتمامات طلاب الهندسة. يجمع إطار العمل بين المعالجة المسبقة القوية للبيانات، ونمذجة الحالة المعرفية المستوحاة من الكم، واختيار الميزات المحسّن، والمصنف العصبي الهجين الكمي-الكلاسيكي للتعلم الفائق (ML-HQNC) لتحليل سلوكيات التعلم لدى الطلاب وتسهيل التحديد الدقيق لاهتماماتهم. يتم تقييم الأداء باستخدام مقاييس قياسية، تشمل الدقة، ومقياس F1-score، والمساحة تحت منحنى خصائص التشغيل للمستقبل (AUC)، بالإضافة إلى دقة كشف الاهتمام (IDP)، ومؤشر استقرار النمط الكمي (QPSI)، ومكسب القابلية للتكيف عبر المجالات (CDAG). ومن خلال دمج هذه المكونات المتكاملة في سير عمل حوسبي واحد، يوفر إطار العمل المقترح منهجاً منظماً للتحليلات التربوية واتخاذ القرارات التعليمية الذكية.

البروتوكول

استخدمت هذه الدراسة مجموعة بيانات مجهولة المصدر ومتاحة للعموم تم الحصول عليها من مستودع Kaggle. لم يتم استقطاب أو إشراك أي مشاركين بشريين بشكل مباشر، ولم يتم جمع أي معلومات تحدد الهوية الشخصية. وبناءً على ذلك، لم تكن هناك حاجة للحصول على موافقة أخلاقية مؤسسية أو موافقة مستنيرة. أما أدوات البحث المستخدمة في هذه الدراسة فهي مدرجة في الـ جدول المواد.

1. نظرة عامة على إطار عمل CQEI
دمج إطار عمل ذكاء التعليم المفاهيمي المستوحى من الكم (CQEI) المقترح عمليات المعالجة المسبقة للبيانات، وتحليل الأنماط السلوكية، واختيار الميزات، والتصنيف لتحديد اهتمامات طلاب الهندسة باستخدام مجموعة بيانات تقييم جودة التدريس المستمدة من مستودع Kaggle. تمت معالجة مجموعة البيانات أولاً باستخدام طريقة Box–Cox Robust IQR Scaling (BCRIS) لتقليل الضوضاء الدلالية وتطبيع ميزات المدخلات. بعد ذلك، تم تحليل الأنماط السلوكية للطلاب باستخدام نموذج الحالة المعرفية الكمومية (QCSM). ثم طُبقت خوارزمية اختيار الميزات المعتمدة على تحسين سرب الحيتان المعزز كمومياً (QES-WOFS) لتحديد الميزات المعلوماتية مع تقليل تكرار الميزات من خلال نمذجة الاختيار الكمي الأمثل، وأهمية التغذية الراجعة، والتغيرات السلوكية العابرة. وأخيراً، قام مصنف الشبكة العصبية الهجين الكمي-الكلاسيكي القائم على التعلم الفائق (ML-HQNC) بدمج التعلم المستوحى من الكم مع طبقات دلالية متبقية عميقة لتحديد اهتمامات الطلاب.

يوضح الشكل 2 سير العمل العام لإطار عمل ML-HQNC المقترح. يتكون البروتوكول من ست مراحل متسلسلة، تبدأ بالحصول على مجموعة البيانات التعليمية من مستودع Kaggle، يليها المعالجة المسبقة للبيانات باستخدام قياس المدى الربيعي القوي بوكس-كوكس (BCRIS)، ثم تحويل السمات والتمثيل السلوكي باستخدام نموذج الحالة المعرفية الكمومية (QCSM)، واختيار السمات باستخدام خوارزمية اختيار السمات القائمة على تحسين سرب الحيتان المعزز كمومياً (QES-WOFS). استُخدمت السمات المختارة لاحقاً لتدريب النموذج والتحقق من صحته باستخدام المصنف العصبي الهجين الكمومي-الكلاسيكي القائم على التعلم التلوي (ML-HQNC)، وفي النهاية تم تقييم إطار العمل باستخدام الدقة، ومقياس F1-score، والمساحة تحت منحنى خصائص التشغيل للمستقبل (AUC)، ودقة كشف الاهتمام (IDP)، ومؤشر استقرار النمط الكمومي (QPSI)، ومكسب التكيف عبر النطاقات (CDAG).

figure-protocol-1
الشكل 2: إطار عمل المصنف العصبي الهجين الكمي-الكلاسيكي القائم على التعلم الفائق (ML-HQNC). الهندسة العامة لإطار عمل ML-HQNC المقترح والذي يدمج تحجيم المدى الربيعي القوي بطريقة Box–Cox (BCRIS) لمعالجة البيانات مسبقاً، ونموذج الحالة المعرفية الكمية (QCSM) لتحليل الأنماط السلوكية، وخوارزمية اختيار الميزات القائمة على تحسين سرب الحيتان المعزز كمياً (QES-WOFS) لاختيار الميزات، والتعلم العصبي الهجين الكمي-الكلاسيكي لتصنيف اهتمامات الطلاب. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

2. مجموعة بيانات تقييم جودة التدريس
تم تطوير الإطار المقترح باستخدام مجموعة بيانات تقييم جودة التدريس المتاحة علنًا والمستمدة من مستودع Kaggle. احتوت مجموعة البيانات على 1,014 سجلاً تعليمياً تضم 14 سمة متعددة الأبعاد تمثل الأداء الأكاديمي، ودرجات التقييم، والحضور، والخصائص التعليمية، والمؤشرات السلوكية للطلاب التي تم جمعها من خلال منصة إدارة التعليم الشاملة (CEMP). وفرت هذه السمات المعلومات التعليمية متعددة الأبعاد اللازمة لنمذجة العلاقات غير الخطية المرتبطة بتحديد اهتمامات طلاب الهندسة.

كما هو موضح في الشكل 3، تم تقسيم مجموعة البيانات إلى مجموعات فرعية للتدريب (80%) والاختبار (20%). تم استخدام ما مجموعه 800 سجل لتدريب النموذج المقترح، مع تخصيص 200 سجل لتقييم الأداء. مجموعة البيانات متاحة للعموم عبر الرابط التالي: https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. تمت معالجة مجموعات بيانات التدريب والاختبار لاحقًا باستخدام الإطار المقترح لبناء نموذج التعلم وتحسين قدرته التنبؤية.

على الرغم من أن مجموعة البيانات الأساسية تحمل عنوان "مجموعة بيانات تقييم جودة التدريس"، إلا أن هذه الدراسة هدفت إلى تحديد اهتمامات طلاب الهندسة. وقد استُخدمت السمات التعليمية والسلوكية والتعليمية الواردة في مجموعة البيانات كمتغيرات مدخلة لتدريب الإطار المقترح وتقييمه. وبناءً على ذلك، فإن جميع نتائج التنبؤ ومقاييس الأداء المذكورة تصف فعالية الإطار في تحديد اهتمامات طلاب الهندسة بدلاً من تقييم جودة التدريس. وقبل المعالجة المسبقة للبيانات، تم التحقق من مجموعة البيانات المستوردة للتأكد من تحميل جميع السجلات البالغ عددها 1,014 سجلاً بنجاح، ومطابقة مخطط مجموعة البيانات للتنسيق المتوقع، وتحديد ومعالجة أي سجلات مفقودة أو مكررة.

3. المعالجة المسبقة للبيانات باستخدام قياس المدى الربيعي القوي لتحويل بوكس-كوكس (BCRIS)
استُخدمت طريقة قياس المدى الربيعي القوي لتحويل بوكس-كوكس (BCRIS) لمعالجة وتطبيع مجموعة البيانات التعليمية من خلال دمج تحويل Box–Cox مع القياس القوي القائم على المدى الربيعي (IQR) للحد من تأثير القيم المتطرفة. وقد أدى تصحيح التماثل بالتزامن مع التطبيع الممركز حول الوسيط إلى توليد تمثيلات للميزات مستقرة إحصائياً وقابلة للتوسع، مما يجعلها مناسبة للتحليلات اللاحقة. وضمن إطار الذكاء التعليمي المقترح، قامت طريقة BCRIS بتحويل المؤشرات التعليمية والتدريسية والسلوكية متعددة الأبعاد إلى تمثيلات ميزات ذات تباين مضبوط. وقد تم تطبيع الميزات، بما في ذلك attendance_rate وinteractive_sessions_percentage والمتغيرات التعليمية ذات الصلة، لتحسين اتساق مجموعات بيانات التدريب والاختبار. تتوفر التفسيرات الرياضية المفصلة في الملحق 1 (القسم S1). وفرت طريقة BCRIS استراتيجية معالجة مسبقة متوافقة مع الحوسبة الكمومية، حيث قامت بتطبيع البيانات التعليمية غير المتجانسة قبل إجراء التحليل الإحصائي اللاحق، مع الحفاظ على الخصائص السلوكية الأساسية المطلوبة للنمذجة المستقبلية. وقبل إجراء التحليل السلوكي، تم التحقق من مسار المعالجة المسبقة لضمان خلو مجموعة البيانات المطبّعة من أي قيم غير صالحة أو مفقودة، وتقليل الضجيج الدلالي، والتأكد من أن الميزات المعالجة مناسبة للنمذجة السلوكية اللاحقة.

4. تحويل السمات والتمثيل السلوكي باستخدام نموذج الحالة المعرفية الكمومية (QCSM)
تَمّ تطبيق نموذج الحالة المعرفية الكمومية (QCSM) لنمذجة ديناميكيات اهتمامات طلاب الهندسة باستخدام تمثيلات احتمالية مستوحاة من ميكانيكا الكم. وقد مُثِّل اهتمام الطلاب كـتداخل لحالات مفاهيمية متعددة تعكس التسلسل الهرمي للمفاهيم المعرفية، وعدم اليقين، والتداخل المفاهيمي، والانخراط المتزامن في مواضيع متعددة، وسلوكيات التعلم المترددة أو غير الحاسمة، واحتمالية حدوث تحولات في تفضيلات التعلم. كما مُثِّلَت المؤشرات متعددة الأبعاد من مجموعة بيانات تقييم جودة تدريس الهندسة، بما في ذلك Student_Avg_Score و Attendance_rate و Student_Feedback_Rating، كـانتقالات معرفية موزونة بالسعة ضمن فضاء حالة كمومية مُطبع. وقد دمج نموذج QCSM انتقالات الحالة الكمومية مع المحاذاة المفاهيمية القائمة على التداخل لتوليد تمثيلات معرفية مستوحاة من الكم تعكس استقرار وتطور اهتمامات الطلاب بمرور الوقت. تتوفر الصيغ الرياضية التفصيلية في الملف التكميلي 1 (القسم S2). وقام نموذج QCSM بنمذجة الحالات المعرفية الاحتمالية لتمثيل اكتساب المعرفة، والتغيير المفاهيمي، والانخراط في التعلم، والاهتمام بالمادة من خلال تمثيلات حالة كمومية مُطبّعة. كما تم التحقق من التمثيلات السلوكية عبر جميع سجلات الطلاب لضمان أن سمات الحالة المعرفية المستخرجة قد التقطت بدقة سلوكيات التعلم والانتقالات بين المواضيع.

5. اختيار الميزات باستخدام خوارزمية محدد ميزات تحسين الحوت-السرب المعزز كموميًا (QES-WOFS)
استُخدمت خوارزمية اختيار الميزات المعتمدة على تحسين الحوت-السرب المعزز كموميًا (QES-WOFS) لتحديد المجموعة الفرعية المثلى من الميزات وتعيين الخصائص السلوكية ذات المعلومات العالية من البيانات التعليمية متعددة الأبعاد. وقد عززت آليات البحث المستوحاة من الكم تكامل استراتيجيات البحث العالمي والمحلي لتحسين الميزات. كما تم تقييم المتغيرات التعليمية، بما في ذلك interactive_sessions_percentage وassignments_time_percentage وcourse_completion_rate، وفقًا لارتباطها بالنتيجة المستهدفة. وتم نمذجة المجموعات الفرعية للميزات المرشحة باستخدام تمثيلات الاحتمالات الكمومية، بينما مكنت آلية النفق الكمومي من الانتقالات الاحتمالية بما يتجاوز القيم المثلى المحلية. وقُدِّرت أهمية الميزات باستخدام الاحتمالية الهامشية لقياس مساهمة كل ميزة في أداء التصنيف وحالات السرب التكيفية. وقد اختارت خوارزمية QES-WOFS ميزات مستقرة وذات دلالة سلوكية، مما أدى إلى تحسين القوة في مواجهة الضوضاء، والتباين بين الفصول الدراسية، والتقلبات السلوكية الدورية.

للتغلب على القيود المرتبطة باستخدام خوارزمية تحسين الحوت (WOA) أو تحسين سرب الجسيمات (PSO) بشكل مستقل، دمجت خوارزمية QES-WOFS الاستكشاف العالمي القائم على PSO مع الاستغلال المحلي القائم على WOA. كما مكنت آلية النفق الكمومي من إجراء انتقالات احتمالية تتجاوز القيم المثلى المحلية، مما أدى إلى زيادة تنوع المجتمع، وتقليل تكرار الميزات، وتحسين التقارب نحو مجموعة فرعية مثلى من الميزات لتحديد اهتمامات طلاب الهندسة.

تتوفر الصياغات الرياضية التفصيلية في الملف التكميلي 1 (القسم S3). دمجت خوارزمية QES-WOFS بين ترميز الميزات الاحتمالي الكمي، واستراتيجية سرعة معدلة باستخدام PSO، وآلية بحث لولبية مستوحاة من الحيتان لتحديد الميزات التعليمية الأكثر إفادة. تم تحسين المعلمات الفائقة تجريبياً باستخدام مجموعة بيانات التدريب. كما تم تقييم القيم المرشحة من خلال تجارب منهجية، واختيار المجموعة التي حققت أعلى أداء في التحقق. وعلى وجه التحديد، تم اختيار معلمة تحويل Box–Cox (λ = 0.25)، وهامش الخسارة التباينية (m = 1.0)، ومعاملات النفق الكمي (α = 0.7 و β = 0.3) بناءً على دقة التحقق، ومقياس F1-score، وسلوك التقارب. وقبل تدريب المصنف، تم التحقق من نتائج اختيار الميزات لضمان أن خوارزمية QES-WOFS قد اختارت المجموعة الفرعية المثلى من الميزات واستبعدت الميزات الزائدة أو ذات الأهمية المنخفضة.

6. تدريب النموذج والتحقق من صحته باستخدام المصنف العصبي الكمي-الكلاسيكي الهجين القائم على التعلم الفائق (ML-HQNC)
تم تنفيذ المصنف العصبي الكمي-الكلاسيكي الهجين القائم على التعلم الفائق (ML-HQNC) من خلال دمج الشبكات العصبية العميقة مع الحسابات المستوحاة من الكم لتحديد اهتمامات طلاب الهندسة. وقد عملت آليات الانتباه الكمي متعددة الرؤوس والطبقات الدلالية المتبقية العميقة على التقاط العلاقات غير الخطية المعقدة ضمن البيانات التعليمية متعددة الأبعاد الممثلة باستخدام الدوائر الكمية المتغيرة (VQCs). كما تم إسقاط الميزات المستمدة سلوكياً، بما في ذلك student_average_grade وattendance_rate وstudent_feedback_rating، في فضاء حالة كمي، حيث حُولت المدخلات المعيارية إلى تمثيلات كمية قائمة على السعة لنمذجة أنماط التفاعل الاحتمالية والمتداخلة. وقد حُسبت ناقلات الميزات السلوكية المعيارية للطلاب وفقاً للمعادلات الواردة في الملف التكميلي 1 (القسم S4). بعد ذلك، قام مصنف ML-HQNC بتصنيف وتحديد اهتمامات طلاب الهندسة.

استخدم مصنف ML-HQNC استراتيجية تعلم فوقي عرضي (episodic meta-learning) أثناء التدريب. حيث تم تخصيص مهمة تعلم فوقي واحدة مختارة عشوائياً من مجموعة بيانات التدريب لكل حلقة (episode). ومع الحفاظ على توزيع الفئات، قُسمت بيانات التدريب إلى مجموعة دعم (80%) ومجموعة استعلام (20%). استُخدمت مجموعة الدعم لتكييف المعلمات الخاصة بالمهمة من خلال حلقة التحسين الداخلية، بينما قامت مجموعة الاستعلام بتقييم النموذج المكيف وحساب الخسارة الفوقية (meta-loss) المستخدمة لتحديث المعلمات المشتركة. تم توليد ما مجموعه 100 مهمة تعلم فوقي خلال كل دورة تدريب. واستُخدمت خمس خطوات تحديث للتدرج بمعدل تعلم داخلي قدره 0.001 للتكيف مع الحلقة الداخلية، بينما قام مُحسّن Adam بمعدل تعلم خارجي قدره 0.0005 بتحسين المعلمات الفوقية. كُررت عملية أخذ عينات عشوائية للمهام في كل حقبة تدريب لتعريض النموذج لأنماط سلوكية متنوعة وتحسين التعميم على ملفات تعريف الطلاب التي لم يسبق رؤيتها. تم وصف تقدير الخسارة للمحاذاة التباينية الكمومية في الملف التكميلي 1 (المعادلات 41-45). وتم التحقق من تدريب النموذج لضمان التقارب الناجح دون أخطاء حسابية، والتأكد من استقرار منحنيات خسارة التدريب والتحقق عبر الحقب المتتالية.

النتائج

تم تقييم إطار عمل ML-HQNC المقترح مقابل كل من Fast R-CNN وBi-LSTM وCNN وXGBoost باستخدام مقاييس التصنيف التقليدية، بما في ذلك الدقة (Accuracy)، والدقة التحديدية (Precision)، والاستدعاء (Recall)، ومقياس F1 (F1-score)، والمساحة تحت منحنى خصائص التشغيل للمستقبل (AUC)، بالإضافة إلى مقاييس التقييم المقترحة: دقة كشف الاهتمام (IDP)، ومؤشر استقرار النمط الكمي (QPSI)، ومكسب التكيف عبر النطاقات (CDAG). وتتوفر التعريفات الرياضية لهذه المقاييس في الملف التكميلي 1 (القسم S5).

لتقييم متانة الإطار المقترح، تم تكرار جميع التجارب خمس مرات باستخدام تهيئات عشوائية مختلفة. وتُعرض قيم الأداء المسجلة في شكل المتوسط ± الانحراف المعياري عبر المرات الخمس. كما تم تقييم الدلالة الإحصائية بين الإطار المقترح والنماذج المرجعية باستخدام اختبار t المقترن، مع اعتبار أن قيمة p < 0.05 دالة إحصائياً.

كما هو ملخص في الجدول التكميلي 1، أُجريت تجارب المحاكاة باستخدام مجموعة بيانات تقييم جودة التدريس التي تحتوي على 1,014 سجلاً. استُخدم ما مجموعه 800 سجل لتدريب النموذج، بينما خُصص 200 سجل للاختبار. تم تنفيذ إطار عمل ML-HQNC المقترح ونماذج المقارنة في بيئة Jupyter Notebook باستخدام لغة Python. كانت سمة Teaching_Quality هي المتغير المستهدف الأصلي في مجموعة بيانات تقييم جودة التدريس المتاحة للعموم، وتكونت من فئتين هما Good و Excellent. استُخدمت هذه التصنيفات كأهداف تنبؤ لتدريب وتقييم إطار عمل ML-HQNC. وتلخص الجدول 3 فئات التنبؤ الناتجة. كما يلخص الجدول التكميلي 2 نتائج التحقق من مرحلة المعالجة المسبقة باستخدام قياس المدى الربيعي القوي لـ Box–Cox (BCRIS). وقد قامت سلسلة المعالجة المسبقة بإزالة السجلات المفقودة والمكررة، والحد من تأثير القيم المتطرفة، وتوحيد توزيعات السمات، وتحسين الاتساق الدلالي والسلوكي قبل تحويل السمات وتدريب النموذج.

الجدول 3: المتغير المستهدف لمجموعة بيانات تقييم جودة التدريس. وصف للمتغير المستهدف الأصلي Teaching_Quality وفئات التصنيف الخاصة به (جيد وممتاز) المستخدمة في تدريب النموذج وتقييمه. يرجى النقر هنا لتحميل هذا الجدول.

يعرض الجدول التكميلي 3 سمات نموذجية تم إنشاؤها بواسطة نموذج الحالة المعرفية الكمومي (QCSM). وتصف السمات المستخرجة سلوك تعلم الطلاب، بما في ذلك الحالة المعرفية، والمشاركة، وعدم اليقين، والانتقالات بين المواضيع، والاتساق السلوكي، وقد استُخدمت كمدخلات لمرحلة اختيار السمات اللاحقة QES-WOFS. ويسرد الجدول التكميلي S4 السمات النهائية التي اختارتها خوارزمية QES-WOFS جنبًا إلى جنب مع فئات السمات، ومستويات التأثير النسبي، والأدوار الوظيفية ضمن الإطار المقترح. كما تم تلخيص خصائص السمات السلوكية متعددة الأبعاد المستخرجة في الجدول التكميلي 5. ويعرض الجدول التكميلي 6 هياكل الحواف النموذجية التي تم إنشاؤها أثناء التمثيل السلوكي لفئتي التنبؤ (جيد و ممتاز).

كما هو موضح في الشكل 4 و جدول 4حقق إطار عمل ML-HQNC المقترح أعلى درجة F1 (87.9%) من بين الطرق التي تم تقييمها. وكانت درجات F1 المقابلة لنماذج Fast R-CNN وBi-LSTM وCNN وXGBoost هي 77.9% و80.2% و82.8% و85.8% على التوالي. وقد تم تقييم الدلالة الإحصائية باستخدام اختبار مستقل ثنائي الجانب يرجى تزويد النص المراد ترجمته.-اختبار (p < 0.05).

الشكل 5 و الجدول 5 لخص نتائج دقة اكتشاف الاهتمام (IDP). حقق إطار عمل ML-HQNC المقترح دقة اكتشاف اهتمام بلغت 89.3%، مقارنة بـ 79.11% و82.12% و84.6% و87.10% لنماذج Fast R-CNN وBi-LSTM وCNN وXGBoost، على التوالي. الشكل 6 و الجدول 6 عرض نتائج مؤشر استقرار النمط الكمي (QPSI). حقق الإطار المقترح قيمة QPSI بلغت 92.7%، بينما حققت نماذج Fast R-CNN وBi-LSTM وCNN وXGBoost قيمًا بلغت 81.1% و84.11% و87.4% و90.9% على التوالي. الشكل 7 و جدول ٧ لخص نتائج مكاسب القابلية للتكيف عبر النطاقات (CDAG). حقق إطار عمل ML-HQNC المقترح أعلى قيمة لـ CDAG (0.95)، مقارنة بـ Fast R-CNN (0.78)، وBi-LSTM (0.83)، وCNN (0.80)، وXGBoost (0.86). وكما هو موضح في الشكل 8 و جدول 8حقق إطار عمل ML-HQNC المقترح أعلى دقة تصنيف (96.17%). وكانت الدقة المقابلة لكل من Fast R-CNN وBi-LSTM وCNN وXGBoost هي 85.10% و87.21% و90.14% و93.19%، على التوالي. الشكل 9 و جدول 9 يوضح هذا الزمن الحسابي الذي تتطلبه كل طريقة؛ حيث تطلب إطار عمل ML-HQNC المقترح 9.02 ملي ثانية، بينما تطلبت طرق Fast R-CNN وBi-LSTM وCNN وXGBoost زمنًا قدره 31.2 ملي ثانية و27.5 ملي ثانية و22.4 ملي ثانية و17.6 ملي ثانية على التوالي. الشكل 10 يعرض تحليل خصائص تشغيل المستقبل (ROC). حقق إطار عمل ML-HQNC المقترح مساحة تحت المنحنى (AUC) بلغت 0.944، مما يشير إلى معدل إيجابي حقيقي مرتفع ومعدل إيجابي كاذب منخفض عبر عتبة التصنيف التي تم تقييمها.

figure-results-1
الشكل 4: مقارنة درجة F1 عبر أحجام مجموعات بيانات مختلفة.مقارنة لدرجة F1 التي حققها نموذج ML-HQNC والنماذج المنافسة عبر أحجام مختلفة من مجموعات البيانات. يتم تقديم النتائج كمتوسط ± الانحراف المعياري عبر خمس عمليات تجريبية مستقلة (n = 5). تمثل أشرطة الخطأ انحرافاً معيارياً واحداً. تم تقييم الدلالة الإحصائية باستخدام اختبار t المستقل ثنائي الطرف (p < 0.05). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الجدول 4: مقارنة درجة F1 عبر أحجام مجموعات بيانات مختلفة. مقارنة لدرجة F1 التي حققها نموذج ML-HQNC والنماذج المنافسة. تم تقديم النتائج كمتوسط ± الانحراف المعياري عبر خمس تجارب مستقلة (n = 5). يرجى النقر هنا لتنزيل هذا الجدول.

figure-results-2
الشكل 5: مقارنة دقة كشف الاهتمام (IDP) عبر أحجام مجموعات بيانات مختلفة. مقارنة لدقة كشف الاهتمام (IDP) التي حققها نموذج ML-HQNC والنماذج المنافسة عبر أحجام مختلفة من مجموعات البيانات. تم عرض النتائج كمتوسط ± انحراف معياري عبر خمس عمليات تشغيل تجريبية مستقلة (n = 5). تمثل أشرطة الخطأ انحرافًا معياريًا واحدًا. تم تقييم الدلالة الإحصائية باستخدام اختبار t المستقل ثنائي الطرف (p < 0.05). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الجدول 5: مقارنة دقة اكتشاف الاهتمام (IDP) عبر أحجام مجموعات بيانات مختلفة.مقارنة لدقة اكتشاف الاهتمام (IDP) التي حققها نموذج ML-HQNC والنماذج المنافسة. تم تسجيل النتائج كمتوسط ± الانحراف المعياري عبر خمس تجارب مستقلة (n = 5). يرجى الضغط هنا لتحميل هذا الجدول.

figure-results-3
الشكل 6: مقارنة مؤشر استقرار النمط الكمي (QPSI) عبر أحجام مختلفة من مجموعات البيانات. مقارنة لمؤشر استقرار النمط الكمي (QPSI) الذي حققه نموذج ML-HQNC والنماذج المنافسة عبر أحجام مختلفة من مجموعات البيانات. تم تسجيل النتائج كمتوسط ± الانحراف المعياري عبر خمس تجارب مستقلة (n = 5). تمثل أشرطة الخطأ انحرافًا معياريًا واحدًا. تم تقييم الدلالة الإحصائية باستخدام اختبار t المستقل ثنائي الجانب (p < 0.05). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الجدول 6: مقارنة مؤشر استقرار النمط الكمي (QPSI) عبر أحجام مختلفة من مجموعة البيانات.مقارنة لمؤشر استقرار النمط الكمي (QPSI) الذي حققه نموذج ML-HQNC والنماذج المنافسة. تم تسجيل النتائج كمتوسط ± الانحراف المعياري عبر خمس تجارب مستقلة (n = 5). يرجى النقر هنا لتحميل هذا الجدول.

figure-results-4
الشكل 7: مقارنة كسب القدرة على التكيف عبر النطاقات (CDAG) عبر أحجام مجموعات بيانات مختلفة. مقارنة لكسب القدرة على التكيف عبر النطاقات (CDAG) الذي حققه نموذج ML-HQNC والنماذج المنافسة عبر أحجام مختلفة من مجموعات البيانات. تم تسجيل النتائج كمتوسط ± انحراف معياري عبر خمس تجارب مستقلة (n = 5). تمثل أشرطة الخطأ انحرافاً معيارياً واحداً. تم تقييم الدلالة الإحصائية باستخدام اختبار t المستقل ثنائي الطرف (p < 0.05). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الجدول 7: مقارنة مكسب التكيف عبر النطاقات (CDAG) عبر أحجام مجموعات بيانات مختلفة. مقارنة لمكسب التكيف عبر النطاقات (CDAG) الذي حققه نموذج ML-HQNC والنماذج المنافسة. تم تقديم النتائج كمتوسط ± الانحراف المعياري عبر خمس تجارب مستقلة (n = 5). يرجى النقر هنا لتحميل هذا الجدول.

figure-results-5
الشكل 8: مقارنة دقة التصنيف عبر أحجام مجموعات بيانات مختلفة. مقارنة لدقة التصنيف التي حققها نموذج ML-HQNC والنماذج المنافسة عبر أحجام مختلفة من مجموعات البيانات. تم تسجيل النتائج كمتوسط ± انحراف معياري عبر خمس تجارب مستقلة (n = 5). تمثل أشرطة الخطأ انحرافاً معيارياً واحداً. تم تقييم الدلالة الإحصائية باستخدام اختبار t المستقل ثنائي الذيل (p < 0.05). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الجدول 8: مقارنة دقة التصنيف عبر أحجام مجموعات بيانات مختلفة. مقارنة لدقة التصنيف التي حققها نموذج ML-HQNC والنماذج المنافسة. تم تقديم النتائج كمتوسط ± الانحراف المعياري عبر خمس تجارب مستقلة (n = 5). يرجى النقر هنا لتنزيل هذا الجدول.

figure-results-6
الشكل 9: مقارنة زمن الحساب عبر أحجام مختلفة من مجموعات البيانات. مقارنة زمن التنفيذ الحسابي لنموذج ML-HQNC والنماذج المنافسة عبر أحجام مختلفة من مجموعات البيانات. تم تسجيل النتائج كمتوسط ± الانحراف المعياري عبر خمس تجارب مستقلة (n = 5). تمثل أشرطة الخطأ انحرافاً معيارياً واحداً. تشير القيم الأدنى إلى زمن تنفيذ حسابي أقصر. تم تقييم الدلالة الإحصائية باستخدام اختبار t المستقل ثنائي الطرف (p < 0.05). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الجدول 9: مقارنة الوقت الحسابي عبر أحجام مجموعات بيانات مختلفة. مقارنة لوقت التنفيذ الحسابي لنموذج ML-HQNC والنماذج المنافسة. تم تسجيل النتائج كمتوسط ± الانحراف المعياري عبر خمس عمليات تجريبية مستقلة (n = 5). تشير القيم الأقل إلى وقت تنفيذ حسابي أقصر. يرجى النقر هنا لتحميل هذا الجدول.

figure-results-7
الشكل 10: مقارنة للمساحة تحت منحنى خصائص التشغيل للمستقبل (AUC). مقارنة لقيم AUC التي حققها نموذج ML-HQNC والنماذج المنافسة لتحديد اهتمامات طلاب الهندسة. تعبر قيم AUC الواردة عن تجربة تشغيل واحدة؛ ولذلك، لم يتم عرض أشرطة الخطأ أو تحليلات الدلالة الإحصائية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل التكميلي 1 يعرض مصفوفة الارتباط لمتغيرات سلوكية ممثلة. لوحظت ارتباطات إيجابية قوية بين Avg_Score و Course_Completion_Rate (0.81) وبين Attendance_Rate و Course_Completion_Rate (0.75). كما لوحظت ارتباطات متوسطة بين Avg_Score و Course_Completion (0.72) وبين Attendance_Rate و Time_Assignment_Percentage (0.74). تلخص الأشكال التكميلية 2 و3، جنباً إلى جنب مع الجدول 10، خرائط دقة التدريب والاختبار. حقق إطار عمل ML-HQNC المقترح دقة تدريب بلغت 96.1% ودقة اختبار بلغت 93.8%، مما يتجاوز أداء طرق المقارنة. تلخص الأشكال التكميلية 4 و5، جنباً إلى جنب مع الجدول 11، تحليل التقارب. حقق إطار عمل ML-HQNC المقترح أدنى فقد في التدريب (0.21) وفقد في الاختبار (0.26)، مع تقارب مستقر طوال عملية التحسين.

يلخص الجدول 12 الأداء العام لإطار عمل ML-HQNC المقترح وطرق المقارنة عبر جميع مقاييس التقييم. حقق الإطار المقترح أعلى أداء من حيث الدقة (Accuracy)، ودرجة F1-score، والمساحة تحت المنحنى (AUC)، وIDP، وQPSI، وCDAG، بينما تطلب أقصر وقت حسابي من بين الطرق التي تم تقييمها. ويعرض الجدول 13 تحليل الاستئصال (ablation analysis) لكل مكون من مكونات الإطار المقترح. وقد أدى الدمج التدريجي لمرحلة المعالجة المسبقة BCRIS، والتمثيل السلوكي QCSM، وخوارزمية اختيار الميزات QES-WOFS، ومصنف ML-HQNC الكامل إلى تحسينات تدريجية في أداء التصنيف، مما يثبت مساهمة كل مكون في إطار العمل العام.

الجدول 10: مقارنة دقة التدريب والاختبار. مقارنة لدقة التدريب والاختبار التي حققها نموذج ML-HQNC والنماذج المنافسة. القيم المذكورة تتوافق مع تجربة تشغيل واحدة. يرجى النقر هنا لتحميل هذا الجدول.

الجدول 11: مقارنة خسارة التدريب والاختبار.مقارنة بين خسارة التدريب والاختبار التي حققها نموذج ML-HQNC والنماذج المنافسة. القيم المذكورة تقابل تشغيلاً تجريبياً واحداً. يرجى النقر هنا لتنزيل هذا الجدول.

الجدول 12: مقارنة الأداء العام. مقارنة بين نموذج ML-HQNC والنماذج المنافسة باستخدام مقاييس تقييم متعددة. تم تسجيل النتائج كمتوسط ± الانحراف المعياري عبر خمس تجارب مستقلة (n = 5). يرجى النقر هنا لتنزيل هذا الجدول.

توافر البيانات:
إن مجموعة بيانات تقييم جودة التدريس الأصلية المستخدمة في هذه الدراسة متاحة للعموم عبر مستودع Kaggle ‏(https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset). قد يتطلب الوصول إلى مجموعة البيانات مصادقة المستخدم وتخضع لشروط استخدام Kaggle. ولدعم إمكانية إعادة الإنتاج مع الامتثال لشروط ترخيص مجموعة البيانات الأصلية، تم إيداع الموارد الناتجة عن الدراسة — بما في ذلك مجموعة البيانات الاصطناعية، والكود المصدري، وملفات التنفيذ والتهيئة، وأوصاف الميزات، وسير عمل المعالجة المسبقة، والوثائق الداعمة المطلوبة لإعادة إنتاج التجارب المذكورة — في مستودع Zenodo المتاح للعموم: https://doi.org/10.5281/zenodo.21393413.

figure-results-8
الشكل 3: جمع سمات مجموعة بيانات تقييم جودة التدريس. هيكل وتكوين سمات مجموعة بيانات تقييم جودة التدريس المستخدمة لتحديد اهتمامات طلاب الهندسة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل التكميلي 1: مصفوفة ارتباط السمات. مصفوفة ارتباط توضح العلاقات الثنائية بين المتغيرات التعليمية والسلوكية التمثيلية المستخدمة في إطار عمل ML-HQNC المقترح. يرجى النقر هنا لتحميل هذا الملف.

الشكل التكميلي 2: مقارنة دقة التدريب. مقارنة لدقة التدريب التي حققها نموذج ML-HQNC والنماذج المنافسة خلال عملية التدريب. يرجى النقر هنا لتحميل هذا الملف.

الشكل التكميلي 3: مقارنة دقة الاختبار.مقارنة لدقة الاختبار التي حققها نموذج ML-HQNC والنماذج المنافسة خلال عملية الاختبار. يرجى النقر هنا لتنزيل هذا الملف.

الشكل التكميلي 4: تحليل خسارة التدريب. مقارنة لخسارة التدريب التي حققها نموذج ML-HQNC والنماذج المنافسة أثناء تحسين النموذج. يرجى النقر هنا لتنزيل هذا الملف.

الشكل التكميلي 5: تحليل خسارة الاختبار. مقارنة لخسارة الاختبار التي حققها نموذج ML-HQNC والنماذج المنافسة أثناء تقييم النماذج.  يرجى النقر هنا لتنزيل هذا الملف.

الجدول التكميلي 1: بارامترات المحاكاة والإعدادات التجريبية. ملخص لبارامترات المحاكاة، وبيئة التنفيذ، وتقسيم مجموعة البيانات، والإعدادات التجريبية المستخدمة لتقييم إطار عمل ML-HQNC المقترح. يرجى النقر هنا لتنزيل هذا الملف.

الجدول التكميلي 2: نتائج التحقق من مرحلة المعالجة المسبقة باستخدام قياس المدى الربيعي المتين لـ Box–Cox (BCRIS). مقارنة لخصائص مجموعة بيانات ممثلة قبل المعالجة المسبقة وبعدها، بما في ذلك القيم المفقودة، والسجلات المكررة، والتعامل مع القيم الشاذة، وتطبيع الميزات، واتساق البيانات. يرجى النقر هنا لتنزيل هذا الملف.

الجدول التكميلي 3: السمات التمثيلية الناتجة عن نموذج الحالة المعرفية الكمومي (QCSM). سمات سلوكية تمثيلية أنتجها نموذج QCSM بعد المعالجة المسبقة للبيانات، وتشمل سمات الحالة المعرفية، والمشاركة، وعدم اليقين، والانتقال بين الموضوعات، واتساق السلوك. يرجى النقر هنا لتحميل هذا الملف.

الجدول التكميلي 4: الميزات التي تم اختيارها بواسطة خوارزمية اختيار الميزات المعتمدة على تحسين سرب الحيتان المعزز كمياً (QES-WOFS). مجموعة الميزات النهائية التي اختارتها خوارزمية QES-WOFS، إلى جانب فئات الميزات المقابلة، ومستويات التأثير النسبي، والأدوار الوظيفية ضمن الإطار المقترح. يرجى النقر هنا لتحميل هذا الملف.

الجدول التكميلي 5: فئات التنبؤ بجودة التدريس. وصف لفئات التنبؤ والخصائص السلوكية التمثيلية المستخدمة في إطار عمل ML-HQNC المقترح. يرجى النقر هنا لتحميل هذا الملف.

الجدول التكميلي 6: تحليل حساسية الهامش. ملخص لتحليل حساسية الهامش المستخدم أثناء تقييم النموذج. يرجى النقر هنا لتحميل هذا الملف.

الملف التكميلي 1: الطرق التكميلية، والصياغات الرياضية، ومقاييس التقييم، والجداول التكميلية.يحتوي هذا الملف على صياغات رياضية مفصلة لكل من تحجيم المدى الربيعي المتين بطريقة بوكس-كوكس (BCRIS)، ونموذج الحالة المعرفية الكمومية (QCSM)، واختيار الميزات بتحسين سرب الحيتان المعزز كمومياً (QES-WOFS)، والمصنف العصبي الهجين الكمومي-الكلاسيكي للتعلم الفائق (ML-HQNC) الموصوفة في البروتوكول الرئيسي. كما يتضمن تعريفات لمقاييس التقييم، ومعلمات المحاكاة، والإعدادات التجريبية، والجداول التكميلية S1–S6 التي تدعم النتائج المعروضة في المخطوطة الرئيسية. يرجى النقر هنا لتحميل هذا الملف.

المناقشة

أظهر إطار عمل ML-HQNC المقترح تحسناً في الأداء في تحديد اهتمامات طلاب الهندسة من خلال دمج النمذجة السلوكية المستوحاة من الكم، والاختيار التكيفي للميزات، والتعلم الفائق في سير عمل حوسبي موحد. وبالمقارنة مع Fast R-CNN وBi-LSTM وCNN وXGBoost، حقق إطار العمل باستمرار أداءً أعلى عبر مقاييس التصنيف التقليدية ومقاييس التقييم السلوكي المقترحة. وتشير هذه النتائج إلى أن الجمع بين تمثيل الحالة المعرفية المستوحى من الكم والتحسين التكيفي للميزات قد عزز قدرة إطار العمل على نمذجة السلوكيات التعليمية المعقدة مع الحفاظ على أداء تصنيف قوي. كما يشير وقت الحوسبة المنخفض والفرق الضئيل بين أداء التدريب والاختبار إلى استقرار في التحسين وقدرة جيدة على التعميم.

أكملت مقاييس التقييم المقترحة تدابير التصنيف التقليدية من خلال توفير معلومات إضافية حول النمذجة السلوكية. حيث قامت دقة كشف الاهتمام (IDP) بقياس دقة تحديد الاهتمام، وقام مؤشر استقرار النمط الكمي (QPSI) بتقييم استقرار التمثيلات السلوكية المستوحاة من الكم، بينما قام كسب القابلية للتكيف عبر المجالات (CDAG) بتقييم قدرة الإطار على التعميم عبر تقسيمات البيانات المختلفة. وقد وفرت هذه المقاييس مجتمعة تقييماً أوسع لأداء النموذج مما توفره مقاييس التنبؤ التقليدية وحدها.

أظهر تحليل الاستئصال لكل مكون على حدة (الجدول 13) بشكل أكبر مساهمة كل مرحلة من مراحل سير العمل المقترح. وقد أدى دمج مرحلة المعالجة المسبقة باستخدام قياس المدى الرباعي القوي لبوكس-كوكس (BCRIS) إلى تحسين اتساق البيانات من خلال تقليل تأثير القيم المتطرفة وتوليد تمثيلات ميزات معيارية. وقام نموذج الحالة المعرفية الكمومية (QCSM) بتحويل المتغيرات التعليمية متعددة الأبعاد إلى تمثيلات سلوكية تجسد حالة عدم اليقين، والمشاركة، وتفضيلات التعلم المتطورة. وبدورها، عملت عملية اختيار الميزات اللاحقة باستخدام خوارزمية اختيار الميزات المعتمدة على تحسين سرب الحيتان المعزز كموميًا (QES-WOFS) على تقليل تكرار الميزات مع الاحتفاظ بالخصائص السلوكية الغنية بالمعلومات. وأخيرًا، أدى دمج هذه المكونات ضمن مصنف الشبكة العصبية الكمومية والكلاسيكية الهجين للتعلم الميتافيزيقي (ML-HQNC) إلى تحسين أداء التصنيف والتعميم مقارنة بالنماذج المرجعية.

يهدف البروتوكول المقترح إلى تحديد اهتمامات الطلاب في الهندسة باستخدام بيانات تعليمية وسلوكية متعددة الأبعاد تم جمعها من بيئات التعلم الرقمية. يمكن لسير العمل الحسابي دعم التعلم المخصص، والإرشاد الأكاديمي، وتخطيط المناهج الدراسية، والإدارة التعليمية الذكية من خلال توفير نهج منهجي لتحليل سلوكيات تعلم الطلاب وتحديد الاهتمامات المتطورة. ويعد هذا الإطار مناسباً بشكل خاص لمجموعات البيانات التعليمية المهيكلة التي تحتوي على متغيرات سلوكية وأكاديمية وسياقية.

يعتمد التنفيذ الناجح على توفر بيانات تعليمية عالية الجودة وموارد حوسبية كافية. وقبل البدء في التحليل، يجب فحص مجموعات البيانات التعليمية للتأكد من خلوها من القيم المفقودة والسجلات المكررة والتناقضات، لأن جودة البيانات تؤثر بشكل مباشر على عمليات المعالجة المسبقة والنمذجة السلوكية اللاحقة. كما تعتمد التمثيلات المستقرة للميزات على المعالجة المسبقة المناسبة، وتحويل الميزات، وتحسين المعلمات الفائقة. وخلال تدريب النموذج، يجب مراقبة التقارب من خلال منحنيات فقدان التدريب والتحقق، كما ينبغي ضبط معاملات التحسين عند الضرورة للحفاظ على سلوك تعلم مستقر.

على الرغم من أن إطار العمل أظهر أداءً فعالاً باستخدام مجموعة البيانات التي تم تقييمها، إلا أنه يجب مراعاة عدة قيود. لقد تم التحقق من صحة البروتوكول باستخدام مجموعة بيانات تعليمية واحدة متاحة للعموم، وهناك حاجة إلى إجراء تقييم إضافي باستخدام مجموعات بيانات تعليمية أكبر وأكثر تنوعاً ومن مؤسسات متعددة لتقدير مدى إمكانية التعميم بشكل أكبر. بالإضافة إلى ذلك، يتطلب إطار التعلم الهجين المستوحى من الكم موارد حوسبية أكبر من مناهج التعلم الآلي التقليدية بسبب مكونات المعالجة المسبقة والتحسين والتعلم الهجين. كما يعتمد إطار العمل على بيانات تعليمية مشروحة جيداً، وقد يتأثر الأداء بمجموعات البيانات غير المكتملة أو المشوشة أو غير المتوازنة بشكل كبير.

سيركز العمل المستقبلي على توسيع نطاق الإطار ليشمل تحديداً أكثر دقة لاهتمامات الطلاب متعددة الفئات، ودمج أنماط إضافية من البيانات التعليمية مثل الملاحظات النصية، وسلوكيات التعلم الزمنية، وسجلات نشاط نظام إدارة التعلم في الوقت الفعلي، بالإضافة إلى تقييم البروتوكول عبر بيئات تعليمية هندسية متنوعة. كما قد يؤدي المزيد من التحسين في سير العمل الحسابي إلى تعزيز القابلية للتوسع وتسهيل النشر في أنظمة إدارة تعليمية واسعة النطاق.

باختصار، يوفر إطار عمل ML-HQNC المقترح سير عمل حوسبي قابل للتكرار لتحديد اهتمامات طلاب الهندسة باستخدام بيانات تعليمية متعددة الأبعاد. ومن خلال دمج المعالجة المسبقة القوية، والنمذجة السلوكية المستوحاة من الكم، والاختيار التكيفي للميزات، والتعلم العصبي الهجين الكمي-الكلاسيكي، حقق إطار العمل تحسناً في أداء التصنيف مع الحفاظ على استقرار التحسين وكفاءة الحوسبة. وتدعم هذه الخصائص إمكانية تطبيقه في التحليلات التعليمية الذكية وإدارة التعليم الهندسي.

الإفصاحات

يصرح المؤلف بعدم وجود تضارب في المصالح.

شكر وتقدير

يتوجه المؤلف بالشكر إلى جامعة بنغبو، بنغبو، الصين، لتوفير الدعم الأكاديمي والبيئة البحثية التي سهلت إجراء هذه الدراسة. لم يتم تلقي أي تمويل خارجي لهذه الدراسة. وقد حظي هذا العمل بدعم مشروع هندسة الجودة السنوي على مستوى المدرسة لعام 2025 بجامعة بنغبو (رقم 2025zhkc1).

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
النماذج المرجعية (Fast R-CNN, Bi-LSTM, CNN, XGBoost)تنفيذات مفتوحة المصدرFast R-CNN (2015)؛ تنفيذ TensorFlow/Keras v2.16؛ XGBoost v2.1.1نماذج قياسية مستخدمة لتقييم الأداء المقارن.
وحدة معالجة BCRIS المسبقةطُوّرت في هذه الدراسةVersion 1.0وحدة معالجة مسبقة مخصصة تطبق تحويل Box-Cox وتطبيع IQR القوي.
Jupyter NotebookProject JupyterVersion 7.2.2بيئة تطوير تفاعلية مستخدمة للتنفيذ والتدريب والاختبار.
مصنف ML-HQNCطُوّر في هذه الدراسةVersion 1.0مصنف شبكة عصبية هجين كمومي-كلاسيكي مقترح مع إطار عمل للتعلم الميتا-معرفي.
PythonPython Software FoundationVersion 3.11.9لغة البرمجة المستخدمة لتطوير النماذج والتجريب.
PyTorchPyTorch FoundationVersion 2.5.1إطار عمل للتعلم العميق مستخدم لتنفيذ النماذج وتدريبها.
نموذج QCSMطُوّر في هذه الدراسةVersion 1.0نموذج الحالة المعرفية الكمومية المقترح لتمثيل الأنماط السلوكية.
خوارزمية QES-WOFSطُوّرت في هذه الدراسةVersion 1.0خوارزمية اختيار الميزات المقترحة القائمة على تحسين سرب الحيتان المعزز كمومياً –.
Scikit-learnScikit-learn DevelopersVersion 1.6.1مكتبة تعلم آلي مستخدمة للمعالجة المسبقة واختيار الميزات والتقييم.

المراجع

  1. Xu Q, Deng H. Research on education management system based on machine learning and multidimensional data modeling. Applied Mathematics and Nonlinear Sciences. 2024;9(1). https://dialnet.unirioja.es/servlet/articulo?codigo=9386765
  2. Li D. An interactive teaching evaluation system for preschool education in universities based on machine learning algorithm. Comput Hum Behav. 2024;157:108211. https://doi.org/10.1016/j.chb.2024.108211
  3. Chunhua H, Kaabar MKA, Qiuju X, Zhang G. Fuzzy comprehensive evaluation of students' classroom experience in online teaching. International Journal of Emerging Technologies in Learning. 2023;18(21):79-88.
  4. He Z, et al. Assessment of influencing factors of college and universities' teaching effects using fuzzy and deep learning techniques. Scientific Reports. 2026;16:5168. https://doi.org/10.1038/s41598-026-35940-5
  5. Liu J. Innovation and practice of educational management system in colleges and universities based on the concept of data analysis education. Applied Mathematics and Nonlinear Sciences. 2023;9(1). https://www.researchgate.net/publication/377568313
  6. Li C, Cao Z. Deep learning-based AI model for predicting academic success and engagement among physical higher education students. Scientific Reports. 2025;15:45471. https://doi.org/10.1038/s41598-025-29000-7
  7. Kong Y, Dong R, Zhang H. Classroom behavior analysis and digital teaching quality evaluation based on spatiotemporal graph neural network. Discover Artificial Intelligence. 2025;5:404. https://doi.org/10.1007/s44163-025-00623-z
  8. Zedan F, Jabali RR, Raiyn J. Detecting student inattention using deep learning and behavioral analysis. Journal of International Education Practice. 2026;9(1):1-17.
  9. Feng F. Deep learning-based model for analyzing student engagement in activities. Scientific Reports. 2025;16:2552. https://doi.org/10.1038/s41598-025-32521-w
  10. Turkmenbayev A, et al. The application of machine learning in predicting student performance in university engineering programs: A rapid review. Frontiers in Education. 2025;10:1562586. https://doi.org/10.3389/feduc.2025.1562586
  11. Albreiki B, Zaki N, Alashwal H. A systematic literature review of student performance prediction using machine learning techniques. Education Sciences. 2021;11(9):552. https://doi.org/10.3390/educsci11090552
  12. Lai Q. Research on the refinement of college student education management based on artificial intelligence. Discover Artificial Intelligence. 2026;6:31. https://doi.org/10.1007/s44163-025-00651-9
  13. Yuanyuan L, et al. Research on the application framework of intelligent technologies to promote teachers' classroom teaching behavior evaluation. Frontiers of Education in China. 2023;18(1):12–35. https://doi.org/10.3868/s110-008-023-0012-8
  14. Shi Y, Sun F, Zuo H, Peng F. Analysis of learning behavior characteristics and prediction of learning effect for improving college students' information literacy based on machine learning. IEEE Access. 2023;11:50447-50461.
  15. Liu S, Zhang J, Su W. An improved method of identifying learner's behaviors based on deep learning. Journal of Supercomputing. 2022;78(10):12861-12872.
  16. Yang J. Accurate prediction and analysis of college students' performance from online learning behavior data. IEIE Transactions on Smart Processing and Computing. 2023;12(3):404-411.
  17. Xie Y, Zhang S, Liu Y. Abnormal behavior recognition in classroom pose estimation of college students based on spatiotemporal representation learning. Traitement du Signal. 2021;38(6):1769-1778.
  18. Shen X, Yuan C. A college student behavior analysis and management method based on machine learning technology. Wireless Communications and Mobile Computing. 2021;2021:6611630. https://doi.org/10.1155/2021/6611630
  19. Li G, et al. A convolutional neural network-based approach for the recognition and evaluation of classroom teaching behavior. Scientific Programming. 2021;2021:5513886. https://doi.org/10.1155/2021/5513886
  20. Feng C, et al. IMRMB-Net: A lightweight student behavior recognition model for complex classroom scenarios. PLoS ONE. 2025;20(2):e0318817. https://doi.org/10.1371/journal.pone.0318817
  21. Zhang Y, Liu T, Ru B. Effect evaluation and student behavior design method of moral education in colleges and universities under the environment of deep learning. Scientific Programming. 2022;2022:6056117. https://doi.org/10.1155/2022/6056117
  22. Liu C, Wang H, Yuan Z. A method for predicting the academic performances of college students based on education system data. Mathematics. 2022;10(19):3737. https://doi.org/10.3390/math10193737
  23. Vora DR, Iyer KR. Deep learning in engineering education: performance prediction using cuckoo-based hybrid classification. In: Machine Learning and Deep Learning in Real-Time Applications. Studies in Computational Intelligence, Vol. 841, pp. 187-218. Springer; Singapore; 2020.
  24. Li H, Liu Z. An intelligent educational system: analyzing student behavior and academic performance using multi-source data. Electronics. 2024;14(16):3328. https://doi.org/10.3390/electronics14163328
  25. Zhang Y, Li J. Deep learning-based model for predicting student learning behavior: a pathway to early intervention and enhanced outcomes. Journal of Computational Methods in Sciences and Engineering. 2025;25(2):1169-1184.
  26. Jia Q, He J. Student behavior recognition in classroom based on deep learning. Applied Sciences. 2024;14(18):7981. https://doi.org/10.3390/app14187981
  27. Luo H. Prediction of student decision-making behaviour based on machine learning algorithms. Pakistan Journal of Life and Social Sciences. 2024;22(2):11045-11058.
  28. Abdi A, Sedrakyan G, Veldkamp B. Students' feedback analysis model using deep learning-based method and linguistic knowledge for intelligent educational systems. Soft Computing. 2023;27(38):14073-14094.
  29. Ning X. Behavior recognition of college students based on improved deep learning algorithm. International Journal of Web-Based Learning and Teaching Technologies. 2023;18(1):1-16.
  30. Sravya MN, Prashanth D, Saifa S, Reddy LS. A comprehensive analysis of learning behaviour characteristics and predictive modeling of learning outcomes to enhance college-level academic performance. International Journal of Pharmacy and Medical Sciences. 2025;5(2):94-100.
  31. Kalita E, et al. Predicting student academic performance using Bi-LSTM: a deep learning framework with SHAP-based interpretability and statistical validation. Frontiers in Education. 2025;10:1581247. https://doi.org/10.3389/feduc.2025.1581247
  32. Alias MAH, Hambali N, Aziz MAA. Feature selection techniques and classification algorithms for student performance classification: a review. International Journal of Electrical and Computer Engineering. 2024;14(3):3230-3242.
  33. Wang Z, et al. Students' classroom behavior detection system incorporating deformable DETR with Swin Transformer and lightweight feature pyramid network. Systems. 2023;11(7):372. https://doi.org/10.3390/systems11070372
  34. Zou X. Design of student behavior analysis and management system based on deep learning. International Journal of High Speed Electronics and Systems. 2024;33(1):2450005. https://doi.org/10.1142/S012915642450005X
  35. Zhang Q. The impact of machine learning-based student behaviour detection on teaching in classroom scenarios. Journal of Information and Knowledge Management. 2025;24(1):2450101. https://doi.org/10.1142/S021964922450101X
  36. Yu C, Wang Y. College student management system based on K-means clustering algorithm. Int J New Dev Educ. 2022;4(2):28-33.
  37. Chen J, Lu H. Evaluation method of classroom teaching effect under intelligent teaching mode. Mobile Networks and Applications. 2022;27(3):1262-1270.
  38. Han X, Chen X. The evaluation model of engineering practice teaching with complex network analytic hierarchy process based on deep learning. Scientific Reports. 2025;15:14733. https://doi.org/10.1038/s41598-025-14733-x
  39. Guo S, et al. The analysis of teaching quality evaluation for college sports dance by convolutional neural network model and deep learning. Heliyon. 2024;10(8):e36067. https://doi.org/10.1016/j.heliyon.2024.e36067
  40. Gao Y. Deep learning-based strategies for evaluating and enhancing university teaching quality. Computers and Education: Artificial Intelligence. 2025;8:100362. https://doi.org/10.1016/j.caeai.2025.100362
  41. Li Y, Lu B. Intelligent educational systems based on adaptive learning algorithms and multimodal behavior modeling. PeerJ Computer Science. 2025;11:e3157. https://doi.org/10.7717/peerj-cs.3157
  42. Geng F, John AD, Chinnappan CV. Analysis of the teaching quality using novel deep learning-based intelligent classroom teaching framework. Progress in Artificial Intelligence. 2023;12(2):147-162.
  43. Veluri RK, et al. Learning analytics using deep learning techniques for efficiently managing educational institutes. Materials Today: Proceedings. 2022;51(Part 8):2317-2320.
  44. Chen W, Min L. The evaluation model of physical education teaching performance based on deep learning algorithm. Scalable Computing: Practice and Experience. 2025;26(3):458-466.
  45. Zhang Y. A comprehensive evaluation system for physical education teaching effectiveness supported by multimodal machine learning. Discover Artificial Intelligence. 2026;6:75. https://doi.org/10.1007/s44163-026-00075-x
  46. Pei Y, Lu G. Design of an intelligent educational evaluation system using deep learning. IEEE Access. 2023;11:29790-29799.
  47. Ding J, Su Y. A teaching management system for physical education in colleges and universities using the theory of multiple intelligences and SVM. Soft Computing. 2024;28(2):685-701.
  48. Li Y, Zhang L, Tian Y, Qi W. Research on teaching practice of blended higher education based on deep learning route. Computational Intelligence and Neuroscience. 2022;2022:5751843. https://doi.org/10.1155/2022/5751843
  49. Jiang X, Du Y, Zheng Y. Evaluation of physical education teaching effect using Random Forest model under artificial intelligence. Heliyon. 2024;10(1):e23576. https://doi.org/10.1016/j.heliyon.2024.e23576
  50. Li S, Liu T. Performance prediction for higher education students using deep learning. Complexity. 2021;2021:6620684. https://doi.org/10.1155/2021/6620684
  51. Alnasyan B, Basheri M, Alassafi MO, Alnasyan K. Kanformer: An Attention-Enhanced Deep Learning Model for Predicting Student Performance in Virtual Learning Environments. Social Network Analysis and Mining. 2025;15:25. https://doi.org/10.1007/s13278-025-01446-7
  52. Lu Y, Tong L, Cheng Y. Advanced Knowledge Tracing: Incorporating Process Data and Curricula Information via an Attention-Based Framework for Accuracy and Interpretability. Journal of Educational Data Mining. 2024;16(2):58-84.

إعادة الطباعة والأذونات

الوسوم

EngineeringDeep LearningClassical engineering student modelEngineering CollegeTeaching management systemBCRISQES WOFS and ML HQNC
اتصل بنا
أوصِ بها للمكتبة

الخصوصية

شروط الاستخدام

السياسات

2026 © حقوق الطبع والنشر MyJoVE Corporation. جميع الحقوق محفوظة.