מאמר מחקר

זיהוי תחומי עניין של סטודנטים מבוסס נתונים עבור מערכות ניהול הוראה חכמות במכללות להנדסה

27 צפיות

⸱

DOI:

10.3791/71574

⸱

1 בספטמבר 2026

1School of Foreign Languages, Bengbu University

במאמר זה

סיכום

פרוטוקול מסווג הרשתות הנוירונליות הקוונטי-קלאסי ההיברידי עם למידה-על (ML-HQNC) משלב מידול קוגניטיבי בהשראה קוונטית, עיבוד מקדים של נתונים, בחירת תכונות ולמידה נוירונלית היברידית לצורך זיהוי תחומי העניין של סטודנטים להנדסה. פרוטוקול זה מציג תהליך עבודה שניתן לשחזור של למידת מכונה היברידית בהשראה קוונטית עבור אנליטיקה חינוכית, המוצג באמצעות זיהוי תחומי עניין של סטודנטים להנדסה תוך שימוש בנתונים חינוכיים רב-ממדיים.

תקציר

פרוטוקול זה מציג מסגרת חישובית בהשראת קוונטים לזיהוי תחומי עניין של סטודנטים להנדסה באמצעות נתונים חינוכיים והתנהגותיים רב-ממדיים. המטרה היא לספק תהליך עבודה שיטתי וניתן לשחזור המשלב עיבוד מקדים של נתונים, ניתוח דפוסים התנהגותיים, בחירת מאפיינים ולמידה עצבית היברידית כדי לתמוך בקבלת החלטות חינוכית ובלמידה מותאמת אישית. תהליך העבודה מתחיל ב-Box-Cox Robust IQR Scaling (BCRIS) לעיבוד מקדים ונרמול של נתונים חינוכיים על ידי הפחתת רעש סמנטי ושיפור איכות הנתונים. התנהגויות הלמידה של הסטודנטים מנותחות לאחר מכן באמצעות מודל המצב הקוגניטיבי הקוונטי (QCSM), המייצג מעברים התנהגותיים והעדפות למידה מתפתחות תחת תנאים של אי-ודאות. לאחר מכן נבחרים מאפיינים רלוונטיים באמצעות אלגוריתם בחירת המאפיינים Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) כדי להפחית כפילות של מאפיינים ולזהות מאפיינים התנהגותיים בעלי ערך אינפורמטיבי. לבסוף, מסווג עצבי קוונטי-קלאסי היברידי של למידת-מטא (ML-HQNC) משלב למידה בהשראת קוונטים עם רשתות עצביות עמוקות כדי לסווג את תחומי העניין של הסטודנטים. הפרוטוקול תוקף באמצעות מערך נתונים חינוכי הזמין לציבור. ביצועי המודל הוערכו באמצעות מדדים מקובלים, כולל דיוק (accuracy), F1-score, והשטח תחת עקומת המאפיינים של מקלט (AUC), יחד עם Interest Detection Precision (IDP), Quantum Pattern Stability Index (QPSI), ו-Cross-Domain Adaptability Gain (CDAG). המסגרת השיגה דיוק סיווג כולל של 96.17% במערך הנתונים שהוערך. פרוטוקול זה מספק תהליך עבודה חישובי ניתן לשחזור לניתוח נתונים חינוכיים רב-ממדיים כדי לתמוך בניהול חינוכי חכם וביישומי למידה מותאמת אישית.

מבוא

מערכות לניהול חינוכי נמצאות בשימוש גובר ברחבי מגזר החינוך, כתוצאה מההתקדמות המהירה בטכנולוגיית המידע וברשתות מחשבים. הצמיחה המתמשכת של ההשכלה הגבוהה לווה בעלייה במספר הסטודנטים הנרשמים, במיוחד בקרב סטודנטים להנדסה, מה שהוביל לעלייה משמעותית בנתוני הניהול החינוכי. צמיחה זו תומכת בפיתוח חינוכי בר-קיימא, מאיצה את המעבר למידעוט (informatization) בחינוך, ומסייעת להקמת מערכות ניהול חינוכיות סטנדרטיות המשפרות את העקביות והיעילות של ניהול ההוראה. למידת מכונה (ML) מספקת טכניקות חישוביות המאפשרות למערכות לנתח נתונים, ללמוד דפוסים ולשפר באופן רציף את ביצועי הניבוי ללא תכנות מפורש1,2.

איכות חינוכית היא מרכיב בסיסי בהשכלה הגבוהה. בשנים האחרונות, נעשה שימוש נרחב במבחנים כדי להעריך את הבנתם של סטודנטים להנדסה בתכני הקורס ואת יכולתם לרכוש ידע חדש, ובכך לקדם שיפורים מתמידים באיכות החינוכית. ניתן לבסס סביבות למידה ממוקדות-לומד על ידי ניצול משאבי למידה מגוונים הזמינים באמצעות פלטפורמות חינוכיות מקוונות ויישום תיאוריות למידה מרובות כדי לתת מענה לצרכיהם של לומדים שונים. הוראה אפקטיבית ממלאת תפקיד מרכזי בשיפור תוצאות הלמידה בקרב סטודנטים להנדסה באוניברסיטאות ובמכללות3,4. יתרה מכך, הוראה אפקטיבית מקדמת סביבת למידה חיובית, תומכת בהבנת תכני הקורס על ידי הסטודנטים ומשפרת את הביצועים האקדמיים. איכות חינוכית מוערכת באמצעות מספר מדדים לאורך תהליך הלמידה, כולל מבנה תוכנית הלימודים, סביבת הכיתה ותכני ההוראה.

השכלה גבוהה מקדמת את ההתפתחות האינטלקטואלית, האישית והחברתית של סטודנטים. במקביל, מעורבות סטודנטים – הכוללת ממדים התנהגותיים, רגשיים וקוגניטיביים – והתמדה אקדמית הפכו לגורמים מכריעים המשפיעים על תוצאות הלמידה. רמות גבוהות של מעורבות סטודנטים תורמות באופן משמעותי להצלחה אקדמית ארוכת טווח5,6. התקדמויות בטכנולוגיה חינוכית יצרו הזדמנויות חדשות לאנליטיקה חינוכית מונחית נתונים, באמצעות מידול של קשרים לא לינאריים מורכבים בין מאפיינים קוגניטיביים, התנהגותיים ואקדמיים של סטודנטים, תוך שימוש בטכניקות של למידת מכונה (ML) ולמידה עמוקה (DL).

אתגר מרכזי נותר בתצפית והערכה אפקטיביות של דינמיקה בכיתה, תוך התחשבויות בהתנהגויות משתנות של סטודנטים. גישות מסורתיות להערכת איכות חינוכית וניתוח התנהגותם של סטודנטים להנדסה הן לרוב גוזלות זמן ופגיעות לשיפוט אנושי סובייקטיבי. חוסר קשב של סטודנטים במהלך פעילויות בכיתה משפיע לרעה על תוצאות הלמידה ועל ההישגים האקדמיים7,8. עם זאת, שמירה על קשב מתמשך בקרב סטודנטים להנדסה נותרה מאתגרת בשל מסיחים פנימיים וחיצוניים ותנודתיות במוטיבציה.

הערכה ושיפור של מעורבות סטודנטים הפכו לחשובים יותר ויותר עם האימוץ הנרחב של למידה מקוונת, כיתות חכמות וטכנולוגיות חינוכיות אינטראקטיביות אחרות. הבטחת הכלה בקרב קבוצות מגוונות של סטודנטים להנדסה מדגישה עוד יותר את הצורך במסגרות מקיפות המשלבות גישות מונחות טכנולוגיה עם פרקטיקה חינוכית, תוך שמירה על סטנדרטים של פרטיות ואתיקה. בנוסף, שקיפות מודלים מוגבלת ואתגרים הקשורים לשילוב טכנולוגי9,10, כולל הטיה מתודולוגית ושוויון חינוכי, ממשיכים להעיק על פיתוחן של מערכות חיזוי המסוגלות לתמוך בלומדים באמצעות ניטור רציף.

גישות של למידת מכונה שימשו באופן נרחב להתמודדות עם אתגרים חינוכיים, כגון חיזוי סיכונים של סטודנטים ושיעורי נשירה. גישות אלו הדגימו יכולת לזהות סטודנטים בסיכון גבוה, ובכך תמכו בהתערבויות המשפרות את ההישגים האקדמיים11. פותחו גם מערכות ניהול חינוכיות מבוססות בינה מלאכותית (AI) כדי לשפר הן את התהליכים המנהליים והן את התהליכים האקדמיים במוסדות להשכלה גבוהה. מאגרי נתונים חינוכיים כוללים בדרך כלל רשומות אקדמיות כגון ציוני קורסים, רישומי נוכחות והיסטוריית הרשמה12.

מחקרים קודמים ניתחו את התנהגות התלמידים משלוש נקודות מבט: נתוני הערכה, שיטות ותוצאות13,14. מודלים לניבוי המבוססים על אוריינות מידע פותחו כדי לנתח את המאפיינים ההתנהגותיים של סטודנטים במכללות. מחקרים אלו מתמקדים בעיקר בהערכת התנהגות הלומד באמצעות שיטות של למידה עמוקה (DL). עם זאת, מחקרים על הערכה חכמה של התנהגות מורים נמצאים עדיין בשלב מוקדם, דבר המגביל את ההתקדמות בתחום זה. רשתות עצביות קונבולוציוניות מהירות מבוססות אזורים (Fast R-CNNs) יושמו על מאגרי נתונים חינוכיים כדי לשפר את זיהוי הפעילות בכיתה, והדגימו שיפורים משמעותיים בביצועים לעומת שיטות מסורתיות15.

מודלים של זיכרון לטווח קצר-ארוך דו-כיווני (Bi-LSTM) המשלבים מנגנוני ניטור עצמי שיפרו גם הם את דיוק חיזוי הציונים של סטודנטים במכללות. באופן דומה, מודלים לחיזוי שפותחו באמצעות מערכי נתונים של התנהגות למידה מקוונת הדגימו ביצועי חיזוי משופרים16,17,18. בנוסף, נעשה שימוש באשכול k-means (KMC) כדי לזהות את המאפיינים של קבוצות סטודנטים שונות באמצעות ניתוח אשכולות, דבר המספק תובנות לגבי התנהגות סטודנטים התומכות בשיפורים בהוראה, בניהול ובלמידה. הוצעו גם אסטרטגיות מבוססות למידה עמוקה לשיפור הזיהוי וההערכה של התנהגויות הוראה בכיתה. בגישות אלו, מאפייני התנהגות בכיתה משמשים לביסוס קשרים בין ייצוגי מאפיינים לבין היפר-מישורים (hyperplanes) תוך שימוש בערכי התחלה ניתנים להפרדה ליניארית עבור מכונת וקטורים תומכים (SVM)19,20. עם זאת, אתגרים כגון הסתרה, פרטי התנהגות ברזולוציה גבוהה והפרעות סביבתיות ממשיכים להגביל את דיוק זיהוי התנהגותם של סטודנטים להנדסה בסביבות כיתתיות.

למידה עמוקה יושמה גם להערכה מבוססת תוצאות של קורסים באוניברסיטה, כולל הערכה חינוכית בחינוך פוליטי ואידאולוגי.21,22יעילותם של מודלי חיזוי אלו הוכחה באמצעות מאגרי נתונים חינוכיים הזמינים לציבור. רשתות עצביות דחפיות עם הזנה קדימה (FSNNs) הועסקו לחיזוי הישגיהם האקדמיים של סטודנטים באמצעות נתונים שנאספו מפלטפורמות למידה מקוונות וממערכות לניהול למידה. כפי שמוצג ב- איור 1זרימת העבודה החישובית המוצעת משלבת מערך נתונים של הערכה חינוכית כדי לזהות את תחומי העניין של סטודנטים להנדסה, וזאת באמצעות שלבים רצופים של עיבוד מקדמי נתונים, ניתוח דפוסי התנהגות, בחירת מאפיינים וסיווג. טבלה 123,24,25,26,27,28,29,30,31,32 מסכם שיטות מייצגות שדווחו במחקרים קודמים, יחד עם הטכניקות שבהן נעשה שימוש והמגבלות הנלוות להן לזיהוי עניין של סטודנטים בתוך מערכות לניהול למידה.

תרשים עיבוד מקדמי של נתונים: TQED באמצעות Kaggle, ניתוח תבניות, סיווג, בחירת מאפיינים.
איור 1: מסגרת לזיהוי תחומי עניין של סטודנטים. זרימת העבודה הכללית של המסגרת המוצעת לזיהוי תחומי עניין של סטודנטים להנדסה, הכוללת רכישת נתונים, עיבוד מקדמי, ניתוח תבניתי התנהגותי, בחירת מאפיינים וסיווג. אנא לחץ כאן כדי לצפות בגרסה מוגדלת של איור זה.

טבלה 1: ניתוח התנהגות סטודנטים בניהול הוראה. סיכום של שיטות מייצגות, טכניקות, מערכי נתונים, מדדי הערכה ומגבלות מדווחות עבור ניתוח התנהגות סטודנטים בניהול הוראה. אנא לחצו כאן להורדת טבלה זו.

ה-Swin Transformer ורשת פירמידת מאפיינים (FPN) קלה יושמו לזיהוי התנהגות תלמידים בכיתה באמצעות עיבוד יעיל של מפות מאפיינים רב-קנה מידה33. בנוסף, רשת עצבית רקורסיבית מתכווננת המופעלת על ידי אופטימיזציית זבוב פירות (PFFO-ARNN) שימשה לניתוח התנהגות למידה מקוונת של סטודנטים ולחיזוי הישגים בקורס34. מחקרים המבוססים על נתוני התנהגות סטודנטים שנאספו ממערכות ניהול למידה אוניברסיטאיות הדגישו גם את חוסר היעילות ואת משך הזמן הרב הנדרש לניטור התנהגות בכיתה באמצעות שיטות למידה עמוקה קונבנציונליות35. טבלה 236,37,38,39,40,41,42,43,44,45,46,47 מסכמת שיטות סיווג מייצגות, מערכי נתונים, מדדי הערכה ומגבלות שדווחו עבור מערכות ניהול הוראה חכמות בחינוך הנדסי.

טבלה 2: מערכות ניהול הוראה אינטליגנטיות מבוססות למידה עמוקה עבור חינוך הנדסי. השוואה בין מערכות ניהול הוראה מייצגות המבוססות על למידה עמוקה, מערכי נתונים, מדדי הערכה ומגבלות שדווחו. אנא לחץ כאן להורדת טבלה זו.

מחקר קודם48 פיתח מודל להערכת איכות הוראה משולב המבוסס על רשתות אמונה עמוקות (Deep Belief Networks - DBNs) והציע אסטרטגיית הערכה מעורבת להערכת איכות ההוראה באוניברסיטאות. הגישה המוצעת עלתה בביצועיה על אלגוריתם גנטי (Genetic Algorithm - GA) קונבנציונלי הן בדיוק הסיווג והן בזמן הביצוע, והשיגה דיוק של מעל 95% בפחות מ-5.4 ms. המודל אומן באמצעות מערכי נתונים חינוכיים מתויגים והוערך באמצעות אסטרטגיית בדיקה בלתי תלויה49,50. התוצאות שדווחו הדגימו ביצועי ניבוי חזקים, עם טעות מוחלטת ממוצעת (Mean Absolute Error - MAE) של 0.593% ושגיאת השורש הממוצעת של הריבועים (Root Mean Square Error - RMSE) של 0.785%.

ארכיטקטורות מודרניות המבוססות על מנגנוני קשב (attention), כגון KANFormer51, משלבות קשב עצמי רב-ראשי (multi-head self-attention) עם רשתות Kolmogorov-Arnold כדי לשפר את חיזוי ביצועי התלמידים על ידי לכידה של אינטראקציות תכונות מורכבות. מודלים של מעקב ידע (knowledge tracing) המבוססים על Transformer הדגימו אף הם דיוק חיזוי ופרשנות משופרים על ידי ניצול מנגנוני קשב למידול מסלולי הלמידה של תלמידים52. למרות שארכיטקטורות המבוססות על Transformer ועל מנגנוני קשב שיפרו את הביצועים במשימות חיזוי חינוכיות באמצעות מידול תלויות הקשריות ואינטראקציות תכונות ארוכות-טווח, גישות אלו מתמקדות בעיקר בחיזוי ביצועי תלמידים או במעקב ידע, ולא בזיהוי תחומי עניין של תלמידים המודע לאי-ודאות באמצעות מידול קוגניטיבי בהשראת קוונטים, בחירת תכונות אופטימלית ולמידת-מטא (meta-learning) היברידית.

על אף ההתקדמות האחרונה בלמידת מכונה ולמידה עמוקה עבור אנליטיקה חינוכית, לשיטות הקיימות לזיהוי תחומי העניין של סטודנטים להנדסה יש מספר מגבלות. גישות קונבנציונליות רבות מתמקדות בעיקר בדיוק החיזוי תוך התעלמות מהטבע הרב-פנים של התנהגות הסטודנט, הכוללת העדפות למידה משתנות, אי-ודאות התנהגותית, קשרים הקשריים ואינטראקציות סמנטיות. יתרה מכך, שיטות אלו מסתמכות לעיתים קרובות על הנדסת תכונות קונבנציונלית ואסטרטגיות למידה דטרמיניסטיות, אשר עשויות שלא ללכוד באופן מספק דפוסים התנהגותיים לא-ליניאריים או להסתגל לסביבות למידה דינמיות. כתוצאה מכך, נדרשת מסגרת מקיפה יותר המשלבת עיבוד מקדימה חסון של נתונים, מידול התנהגותי חכם, בחירת תכונות אדפטיבית וטכניקות למידה היברידיות כדי לשפר את הניתוח של נתונים חינוכיים מורכבים.

כדי להתמודד עם מגבלות אלו, המסגרה המוצעת משלבת עיבוד מקדים חסון של נתונים, מידול התנהגותי בהשראת קוונטום, בחירת תכונות אופטימלית ולמידה עצבית קוונטית-קלאסית היברידית לכדי זרימת עבודה חישובית מאוחדת לזיהוי תחומי העניין של סטודנטים להנדסה. באמצעות שילוב של רכיבים משלימים אלו, הפרוטוקול המוצע מספק גישה שיטתית וניתנת לשחזור לניתוח נתונים חינוכיים מורכבים, במטרה לתמוך בלמידה מותאמת אישית ובקבלת החלטות פדגוגיות.

מטרת מחקר זה היא לפתח ולתקף את מסגרת ה-CQEI תוך שימוש בנתונים חינוכיים והתנהגותיים רב-ממדיים לזיהוי תחומי עניין של סטודנטים להנדסה. המסגרת משלבת עיבוד מקדימים חסון של נתונים, מידול מצב קוגניטיבי בהשראת קוונטום, בחירת תכונות מותאמת, ואת מסווג הרשת הנוירונית ההיברידית קוונטית-קלאסית מבוססת למידה-מטא (ML-HQNC) כדי לנתח דפוסי למידה של סטודנטים ולסייע בזיהוי מדויק של תחומי עניין. הביצועים מוערכים באמצעות מדדים סטנדרטיים, כולל דיוק (accuracy), מדד F1-score, ושטח תחת עקומת מאפייני תגובה (AUC), יחד עם דיוק זיהוי תחומי עניין (IDP), מדד יציבות דפוס קוונטי (QPSI), ותגבּור הסתגלות בין-תחומי (CDAG). על ידי שילוב מרכיבים משלימים אלו לתוך זרימת עבודה חישובית אחת, מסגרת העבודה המוצעת מספקת גישה שיטתית לאנליטיקה חינוכית ולקבלת החלטות חינוכיות חכמות.

פרוטוקול

מחקר זה השתמש במערך נתונים אנונימי הזמין לציבור, שהושג ממאגר Kaggle. לא גויסו או שולבו משתתפים אנושיים באופן ישיר, ולא נאסף מידע המאפשר זיהוי אישי. לפיכך, לא נדרשו אישור אתי ממוסד והסכמה מדעת. כלי המחקר ששימשו במחקר זה מפורטים ב- טבלת חומרים.

1. סקירה כללית של מסגרת ה-CQEI
מסגרת הבינה החינוכית המושגית בהשראת קוונטים (CQEI) המוצעת שילבה עיבוד מקדמי של נתונים, ניתוח דפוסי התנהגות, בחירת תכונות וסיווג כדי לזהות תחומי עניין של סטודנטים להנדסה, תוך שימוש במערך נתונים של הערכת איכות ההוראה שהסיר מהמאגר Kaggle. תחילה עובדו הנתונים מקדימה באמצעות שיטת Box–Cox Robust IQR Scaling (BCRIS) כדי להפחית רעש סמנטי ונורמל את תכונות הקלט. לאחר מכן, נותחו דפוסי התנהגות של סטודנטים באמצעות המודל הקוונטי למצב קוגניטיבי (QCSM). לאחר מכן הוחל אלגוריתם בחירת תכונות מבוסס אופטימיזציית נחיל-לווייתנים משופר קוונטית (QES-WOFS) כדי לזהות תכונות אינפורמטיביות תוך הפחתת כפילות תכונות, על ידי מידול בחירה אופטימלית קוונטית, מובהקות של משוב ושינויים התנהגותיים חולפים. לבסוף, מסווג עצבי היברידי קוונטי-קלאסי מבוסס למידה-מטא (ML-HQNC) שילב למידה בהשראת קוונטים עם שכבות סמנטיות שיריות עמוקות כדי לזהות את תחומי העניין של הסטודנטים.

זרימת העבודה הכוללת של מסגרת ה-ML-HQNC המוצעת מוצגת ב-איור 2. הפרוטוקול כלל שישה שלבים עוקבים, המתחילים בהשגת מערך הנתונים החינוכי ממאגר Kaggle, ולאחריו עיבוד מקדמי של הנתונים באמצעות Box–Cox Robust IQR Scaling (BCRIS), טרנספורמציה של מאפיינים וייצוג התנהגותי באמצעות מודל Quantum Cognitive State Model (QCSM), ובחירת מאפיינים באמצעות אלגוריתם Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS). המאפיינים שנבחרו שימשו לאחר מכן לאימון ותיקוף של המודל באמצעות Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC), ובסוף הוערכה המסגרת באמצעות מדדי דיוק (accuracy), מדד F1-score, השטח תחת עקומת מאפייני תפקודי המקלט (AUC), דיוק זיהוי עניין (IDP), מדד יציבות תבנית קוונטית (QPSI), ורווח הסתגלות בין-דומיינית (CDAG).

תרשים זרימת נתוני TQED: עיבוד מקדים, בחירת מאפיינים, ניתוח תבניות, סיווג, הערכה.
איור 2: מסגרת מסווג עצבי קוונטי-קלאסי היברידי מבוסס למידת-על (ML-HQNC). ארכיטקטורה כללית של מסגרת ה-ML-HQNC המוצעת, המשלבת Box–Cox Robust IQR Scaling (BCRIS) לעיבוד מקדים של נתונים, את מודל המצב הקוגניטיבי הקוונטי (QCSM) לניתוח תבניות התנהגותיות, את אלגוריתם בחירת המאפיינים Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) לבחירת מאפיינים, ולמידה עצבית קוונטית-קלאסית היברידית לסיווג עניין של סטודנטים. אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

2. מערך נתונים להערכת איכות ההוראה
המסגרת המוצעת פותחה באמצעות מאגר הנתונים להערכת איכות ההוראה (Teaching Quality Evaluation Dataset), הזמין לציבור ומקורו במאגר Kaggle. מאגר הנתונים כלל 1,014 רשומות חינוכיות עם 14 מאפיינים רב-ממדיים המייצגים הישגים אקדמיים, ציוני הערכה, נוכחות, מאפייני הוראה ומדדי התנהגות של סטודנטים, שנאספו באמצעות הפלטפורמה לניהול חינוך מקיף (CEMP). תכונות אלו סיפקו את המידע החינוכי הרב-ממדי הדרוש למידול קשרים לא-ליניאריים הקשורים לזיהוי תחומי העניין של סטודנטים להנדסה.

כפי שמוצג באיור 3, מערך הנתונים חולק לתתי-קבוצות של אימון (80%) ובדיקה (20%). סך של 800 רשומות שימשו לאימון המודל המוצע, כאשר 200 נשמרו להערכת ביצועים. מערך הנתונים זמין לציבור בכתובת: https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. מערכי הנתונים לאימון ולבדיקה עובדו לאחר מכן באמצעות המסגרת המוצעת כדי לבנות את מודל הלמידה ולשפר את יכולת החיזוי שלו.

על אף ששם מערך הנתונים הבסיסי הוא Teaching Quality Evaluation Dataset, מחקר זה נועד לזהות את תחומי העניין של סטודנטים להנדסה. המאפיינים החינוכיים, ההתנהגותיים וההוראתיים הכלולים במערך הנתונים שימשו כמשתני קלט לאימון ולהערכה של המסגרת המוצעת. כתוצאה מכך, כל תוצאות הניבוי ומדדי הביצוע המדווחים מתארים את יעילות המסגרת בזיהוי תחומי העניין של סטודנטים להנדסה, ולא את הערכת איכות ההוראה. לפני עיבוד מקדימה של הנתונים, בוצע אימות למערך הנתונים המיובא כדי להבטיח שכל 1,014 הרשומות נטענו בהצלחה, שסכמת הנתונים תואמת לפורמט המצופה, ושרשומות חסרות או כפולות זוהו וטופלו.

3. עיבוד מקדימים של נתונים באמצעות נרמול BCRIS (Box–Cox robust IQR scaling)
שיטת ה-Box–Cox Robust IQR Scaling (BCRIS) שימשה לעיבוד מקדימים ונרמול של מערך הנתונים החינוכי, על ידי שילוב של טרנספורמציית Box–Cox עם נרמול חסון (robust scaling) המבוסס על טווח בין-רבעוני (IQR), וזאת כדי להפחית את השפעתם של ערכים קיצוניים. תיקון סימטריות יחד עם נרמול ממרכז-חציוני ייצרו ייצוגי תכונות יציבים סטטיסטית וניתנים להרחבה, המתאימים לניתוח המשך. במסגרת הבינה החינוכית המוצעת, שיטת ה-BCRIS הפכה מדדים חינוכיים, הדרכתיים והתנהגותיים רב-ממדיים לייצוגי תכונות עם שונות מבוקרת. תכונות הכוללות את attendance_rate, interactive_sessions_percentage ומשתנים חינוכיים קשורים נורמלו כדי לשפר את העקביות של מערכי הנתונים לאימון ולבדיקה. הסברים מתמטיים מפורטים מופיעים ב-קובץ משלים 1 (סעיף S1). שיטת ה-BCRIS סיפקה אסטרטגיית עיבוד מקדימים תואמת-קוונטום אשר נרמלה נתונים חינוכיים הטרוגניים לפני הניתוח הסטטיסטי, תוך שמירה על המאפיינים ההתנהגותיים הבסיסיים הנדרשים למידול בשלבים הבאים. לפני הניתוח ההתנהגותי, נבדק צינור העיבוד המקדימים כדי להבטיח שמערך הנתונים המנורמל אינו מכיל ערכים חסרים או לא תקינים, שהרעש הסמנטי הופחת, ושהתכונות המעובדות מתאימות למידול התנהגותי המשכי.

4. טרנספורמציה של מאפיינים וייצוג התנהגותי באמצעות מודל המצב הקוגניטיבי הקוונטי (QCSM)
מודל המצב הקוגניטיבי הקוונטי (QCSM) הוטמע כדי למדל את הדינמיקה של תחומי העניין של סטודנטים להנדסה באמצעות ייצוגים הסתברותיים בהשראת קוונטים. עניין הסטודנט יוצג כחפיפה של מספר מצבים מושגיים ששיקפו את ההיררכיה של מושגים קוגניטיביים, אי-ודאות, חפיפה מושגית, מעורבות סימולטנית במספר נושאים, התנהגויות למידה מהססות או לא נחרצות, וההסתברות לשינויים בהעדפות הלמידה. האינדיקטורים הרב-ממדיים מתוך מערך הנתונים של הערכת איכות ההוראה בהנדסה, הכוללים את Student_Avg_Score, Attendance_rate ו-Student_Feedback_Rating, יוצגו כמעברים קוגניטיביים המשוקללים לפי אמפליטודה בתוך מרחב מצבים קוונטי מנורמל. ה-QCSM שילב מעברי מצב קוונטי עם יישור מושגי מבוסס התאבכות כדי להפיק ייצוגים קוגניטיביים בהשראת קוונטים ששיקפו את היציבות וההתפתחות של עניין הסטודנט לאורך זמן. ניסוחים מתמטיים מפורטים מופיעים ב-קובץ משלים 1 (סעיף S2). ה-QCSM מידל מצבים קוגניטיביים הסתברותיים כדי לייצג רכישת ידע, שינוי מושגי, מעורבות בלמידה ועניין במקצוע באמצעות ייצוגי מצב קוונטי מנורמלים. ייצוגים התנהגותיים אומתו על פני כל רשומות הסטודנטים כדי להבטיח שהמאפיינים של המצב הקוגניטיבי שהופקו תפסו במדויק התנהגויות למידה ומעברים בין נושאים.

5. בחירת מאפיינים באמצעות אלגוריתם QES-WOFS (Quantum-Enhanced Swarm–Whale Optimization Feature Selector)
אלגוריתם בחירת המאפיינים QES-WOFS (Quantum-Enhanced Swarm–Whale Optimization Feature Selection) שימש לזיהוי תת-קבוצת המאפיינים האופטימלית ולקביעת מאפיינים התנהגותיים בעלי מידע רב מתוך נתונים חינוכיים רב-ממדיים. מנגנוני חיפוש בהשראת קוונטים שיפרו את השילוב של אסטרטגיות חיפוש גלובליות ומקומיות לצורך אופטימיזציה של המאפיינים. משתנים חינוכיים, כולל interactive_sessions_percentage, assignments_time_percentage, ו-course_completion_rate, הוערכו על פי המתאם שלהם לתוצאת היעד. תת-קבוצות מאפיינים מועמדות מודלו באמצעות ייצוגי הסתברות קוונטיים, בעוד שמנגנון מנהור קוונטי אפשר מעברים הסתברותיים מעבר לאופטימום מקומי. חשיבות המאפיינים נאמדה באמצעות סבירות שולית כדי לכמת את תרומתו של כל מאפיין לביצועי הסיווג ומצבי נחיל אדפטיביים. אלגוריתם ה-QES-WOFS בחר מאפיינים יציבים ובעלי משמעות התנהגותית, ובכך שיפר את החסינות לרעש, לשונות בין סמסטרים ולתנודות התנהגותיות מחזוריות.

כדי להתגבר על המגבלות הקשורות לשימוש בנפרד באלגוריתם אופטימיזציה של לווייתנים (WOA) או באופטימיזציה של נחיל חלקיקים (PSO), שילב אלגוריתם QES-WOFS בין חיפוש גלובלי המבוסס על PSO לבין ניצול מקומי המבוסס על WOA. מנגנון מנהור קוונטי אפשר בנוסף מעברים הסתברותיים מעבר למינימום/מקסימום מקומיים, ובכך הגביר את הגיוון באוכלוסייה, הפחית את הכפילות של המאפיינים ושיפר את ההתכנסות לקראת תת-קבוצת מאפיינים אופטימלית לזיהוי תחומי העניין של סטודנטים להנדסה.

ניסוחים מתמטיים מפורטים מובאים ב- קובץ משלים 1 (סעיף S3)אלגוריתם ה-QES-WOFS שילב קידוד מאפיינים הסתברותי קוונטי, אסטרטגיית מהירות מותאמת PSO ומנגנון חיפוש ספירלי בהשראת לווייתנים כדי לזהות את המאפיינים החינוכיים בעלי המידע הרב ביותר. ההיפר-פרמטרים עוברו אופטימיזציה אמפירית באמצעות מערך נתוני האימון. ערכים מועמדים הוערכו באמצעות ניסויים שיטתיים, והשילוב שהניב את ביצועי האימות הגבוהים ביותר נבחר. באופן ספציפי, פרמטר התמרת Box–Cox (λ = 0.25), שולי ההפסד הניגודי (m = 1.0) ומקדמי המנהור הקוונטי (α = 0.7 ו-β = 0.3) נבחרו על סמך דיוק האימות, מדד F1 והתנהגות ההתכנסות. לפני אימון המסווג, תוצאות בחירת המאפיינים אומתו כדי להבטיח שאלגוריתם ה-QES-WOFS בחר בתת-קבוצת המאפיינים האופטימלית והסיר מאפיינים מיותרים או בעלי חשיבות נמוכה.

6. אימון ותיקוף המודל באמצעות המסווג העצבי הקוונטי-קלאסי ההיברידי מבוסס למידה-על (ML-HQNC)
המסווג העצבי הקוונטי-קלאסי ההיברידי מבוסס למידה-על (ML-HQNC) הוטמע על ידי שילוב של רשתות עצביות עמוקות עם חישובים בהשראה קוונטית כדי לזהות את תחומי העניין של סטודנטים להנדסה. מנגנוני קשב קוונטיים מרובי-ראשים (Multi-head quantum attention) ושכבות סמנטיות שאריתיות עמוקות לכדו קשרים לא-ליניאריים מורכבים בתוך נתונים חינוכיים רב-ממדיים שיוצגו באמצעות מעגלים קוונטיים וריאציוניים (VQCs). מאפיינים נגזרים מהתנהגות, כולל student_average_grade, attendance_rate ו-student_feedback_rating, הוקרנו למרחב מצבים קוונטי, שבו קלטים מנורמלים הומרו לייצוגים קוונטיים מבוססי אמפליטודה כדי למדל דפוסי מעורבות חופפים והסתברותיים. וקטורי מאפייני התנהגות מנורמלים של סטודנטים חושבו על פי המשוואות המופיעות ב-קובץ משלים 1 (סעיף S4). לאחר מכן, ה-ML-HQNC סווג וזיהה את תחומי העניין של הסטודנטים להנדסה.

המסווג ML-HQNC השתמש באסטרטגיית למידה מטא-אפיזודית במהלך האימון. לכל אפיזודה הוקצה מטלת למידה-מטא אחת שנבחרה באופן אקראי מתוך מערך נתוני האימון. תוך שמירה על התפלגות המחלקות, נתוני האימון חולקו לקבוצת תמיכה (80%) ולקבוצת שאילתה (20%). קבוצת התמיכה שימשה להתאמת פרמטרים ספציפיים למטלה באמצעות לולאת אופטימיזציה פנימית, בעוד שקבוצת השאילתה העריכה את המודל המותאם וחישבה את המטא-הפסד (meta-loss) ששימש לעדכון הפרמטרים המשותפים. סך של 100 מטלות למידה-מטא הופקו במהלך כל מחזור אימון. חמישה שלבי עדכון גרדיאנט עם קצב למידה פנימי של 0.001 שימשו להתאמה בלולאה הפנימית, בעוד שהאופטימייזר Adam עם קצב למידה חיצוני של 0.0005 ביצע אופטימיזציה למטא-פרמטרים. דגימת מטלות אקראית חוזרה בכל תקופת אימון (epoch) כדי לחשוף את המודל לדפוסי התנהגות מגוונים ולשפר את ההכללה לפרופילי סטודנטים שלא נראו בעבר. הערכת ההפסד עבור יישור ניגודי קוונטי מתוארת בקובץ משלים 1 (משוואות 41–45). אימון המודל אומת כדי להבטיח התכנסות מוצלחת ללא שגיאות חישוב וכדי לוודא שעקומות הפסד האימון והתיקוף התייצבו לאורך תקופות אימון עוקבות.

תוצאות

מסגרת ה-ML-HQNC המוצעת הוערכה מול Fast R-CNN, Bi-LSTM, CNN ו-XGBoost באמצעות מדדי סיווג קונבנציונליים, כולל דיוק (Accuracy), דיוק חיווי (Precision), רגישות (Recall), מדד F1 (F1-score) והשטח תחת עקומת מאפייני תגובת המקלט (AUC), יחד עם מדדי ההערכה המוצעים: דיוק זיהוי עניין (IDP), מדד יציבות תבניתו קוונטי (QPSI) ותועלת הסתגלות חוצת-דומיינים (CDAG). ההגדרות המתמטיות של מדדים אלו מופיעות ב- קובץ משלים 1 (סעיף S5).

כדי להעריך את החוסן של המסגרת המוצעת, כל הניסויים חזרו חמש פעמים תוך שימוש באתחולים אקראיים שונים. ערכי הביצועים המדווחים מוצגים כממוצע ± סטיית תקן לאורך חמש ההרצות. מובהקות סטטיסטית בין המסגרת המוצעת למודלי הבסיס נבחנה באמצעות מבחן t מזווג, כאשר p < 0.05 נחשב כמובהק סטטיסטית.

כפי שסוכם ב-Supplementary Table 1, ניסויי סימולציה נערכו באמצעות מערך הנתונים להערכת איכות הוראה (Teaching Quality Evaluation Dataset) המכיל 1,014 רשומות. סך של 800 רשומות שימשו לאימון המודל, בעוד ש-200 רשומות הושארו לבדיקה. מסגרת ה-ML-HQNC המוצעת ומודלי ההשוואה יושמו בסביבת Jupyter Notebook באמצעות Python. המאפיין Teaching_Quality שימש כמשתנה המטרה המקורי במערך הנתונים הזמין לציבור להערכת איכות הוראה והורכב משתי מחלקות, Good ו-Excellent. תוויות אלו שימשו כמטרות החיזוי לאימון ולהערכה של מסגרת ה-ML-HQNC. קטגוריות החיזוי שהתקבלו מסוכמות ב-Table 3. Supplementary Table 2 מסכם את תוצאות התיקוף של שלב עיבוד המקדם Box–Cox Robust IQR Scaling (BCRIS). צינור עיבוד הנתונים הסיר רשומות חסרות וכפולות, הפחית את השפעת ערכים חריגים, נרמל את התפלגויות המאפיינים ושיפר את העקביות הסמנטית וההתנהגותית לפני התמרת המאפיינים ואימון המודל.

טבלה 3: משתנה המטרה של מערך נתוני הערכת איכות ההוראה. תיאור של משתנה המטרה המקורי Teaching_Quality וקטגוריות הסיווג שלו (Good ו-Excellent) המשמשות לאימון והערכה של המודל. אנא לחצו כאן להורדת טבלה זו.

טבלה נלווית 3 מציגה מאפיינים מייצגים שנוצרו על ידי מודל המצב הקוגניטיבי הקוונטי (QCSM). המאפיינים שהופקו מתארים את התנהגות הלמידה של התלמיד, כולל מצב קוגניטיבי, מעורבות, אי-ודאות, מעברים בין נושאים ועקביות התנהגותית, ושימשו כקלט לשלב בחירת המאפיינים הבא של QES-WOFS. טבלה נלווית S4 מפרטת את המאפיינים הסופיים שנבחרו על ידי אלגוריתם QES-WOFS יחד עם קטגוריות המאפיינים שלהם, רמות ההשפעה היחסיות ותפקידיהם הפונקציונליים במסגרת המוצעת. מאפייניהם של המאפיינים ההתנהגותיים הרב-ממדיים שהופקו מסוכמים בטבלה נלווית 5. טבלה נלווית 6 מציגה מבני קצוות מייצגים שנוצרו במהלך הייצוג ההתנהגותי עבור שתי מחלקות הניבוי (טוב ומצוין).

כפי שמוצג ב-איור 4 ו ב-טבלה 4, מסגרת ה-ML-HQNC המוצעת השיגה את מדד ה-F1 הגבוה ביותר (87.9%) מבין השיטות שנבחנו. מדדי ה-F1 התואמים עבור Fast R-CNN, Bi-LSTM, CNN ו-XGBoost היו 77.9%, 80.2%, 82.8%, ו-85.8%, בהתאמה. מובהקות סטטיסטית נבחנה באמצעות t-test דו-צדדי בלתי תלוי (p < 0.05).

איור 5 ו-טבלה 5 מסכמים את תוצאות דיוק זיהוי העניין (IDP). מסגרת ה-ML-HQNC המוצעת השיגה IDP של 89.3%, בהשוואה ל-79.11%, 82.12%, 84.6% ו-87.10% עבור Fast R-CNN, Bi-LSTM, CNN ו-XGBoost, בהתאמה. איור 6 ו-טבלה 6 מציגים את תוצאות מדד יציבות תבניות הקוונטום (QPSI). המסגרת המוצעת השיגה ערך QPSI של 92.7%, בעוד ש-Fast R-CNN, Bi-LSTM, CNN ו-XGBoost השיגו 81.1%, 84.11%, 87.4% ו-90.9%, בהתאמה. איור 7 ו-טבלה 7 מסכמים את תוצאות תגמול ההסתגלות הבין-דומיינית (CDAG). מסגרת ה-ML-HQNC המוצעת השיגה את ערך ה-CDAG הגבוה ביותר (0.95), בהשוואה ל-Fast R-CNN (0.78), Bi-LSTM (0.83), CNN (0.80) ו-XGBoost (0.86). כפי שמוצג ב-איור 8 וב-טבלה 8, מסגרת ה-ML-HQNC המוצעת השיגה את דיוק הסיווג הגבוה ביותר (96.17%). הדיוקים התואמים עבור Fast R-CNN, Bi-LSTM, CNN ו-XGBoost היו 85.10%, 87.21%, 90.14% ו-93.19%, בהתאמה. איור 9 ו-טבלה 9 מציגים את זמן החישוב הנדרש על ידי כל שיטה. מסגרת ה-ML-HQNC המוצעת דרשה 9.02 ms, בעוד ש-Fast R-CNN, Bi-LSTM, CNN ו-XGBoost דרשו 31.2 ms, 27.5 ms, 22.4 ms ו-17.6 ms, בהתאמה. איור 10 מציג את ניתוח עקומת מאפייני מקלט (ROC). מסגרת ה-ML-HQNC המוצעת השיגה AUC של 0.944, המצביע על שיעור חיוביים אמיתיים גבוה ושיעור חיוביים כוזבים נמוך לאורך סף הסיווג שנבדק.

השוואת F1-score של מודלים של למידה חישובית; תרשים עמודות; מובהקות סטטיסטית מצוינת (p-values).
איור 4: השוואת F1-score עבור גדלי מערכי נתונים שונים. השוואה של ה-F1-score שהושג על ידי ML-HQNC ומודלים מתחרים עבור גדלי מערכי נתונים שונים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמש הרצות ניסיוניות עצמאיות (n = 5). פסי השגיאה מייצגים סטיית תקן אחת. מובהקות סטטיסטית הוערכה באמצעות מבחן t דו-זנבי בלתי תלוי (p < 0.05). אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

טבלה 4: השוואת מדד F1-score עבור גדלי מערכי נתונים שונים. השוואה של מדד ה-F1-score שהושג על ידי ML-HQNC ומודלים מתחרים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמש הרצות ניסיוניות עצמאיות (n = 5). אנא לחצו כאן להורדת טבלה זו.

תרשים עמודות המשווה את ביצועי מודלים של למידת מכונה (Fast R CNN, Bi-LSTM, CNN, XGBoost, ML-HONC).
איור 5: השוואת דיוק זיהוי עניין (IDP) עבור גדלי מערכי נתונים שונים.השוואה של דיוק זיהוי עניין (IDP) שהושג על ידי ML-HQNC ומודלים מתחרים עבור גדלי מערכי נתונים שונים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמש הרצות ניסיוניות עצמאיות (n = 5). פסי השגיאה מייצגים סטיית תקן אחת. מובהקות סטטיסטית הוערכה באמצעות מבחן t דו-צדדי לעצמאיים (p < 0.05). אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

טבלה 5: השוואת דיוק זיהוי נקודות עניין (IDP) על פני גדלי מאגרי נתונים שונים. השוואה של דיוק זיהוי נקודות עניין (IDP) שהושג על ידי ML-HQNC ומודלים מתחרים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמש הרצות ניסיוניות בלתי תלויות (n = 5). אנא לחץ כאן כדי להוריד טבלה זו.

גרף השוואת ביצועים של מודלי ML: Fast R-CNN, Bi-LSTM, CNN, XGBoost, ML-HQNC.
איור 6: השוואת מדד יציבות תבנית קוונטית (QPSI) עבור גדלי מאגרי נתונים שונים. השוואה של מדד יציבות תבנית קוונטית (QPSI) שהושג על ידי ML-HQNC ומודלים מתחרים עבור גדלי מאגרי נתונים שונים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמישה הרצות ניסוייות עצמאיות (n = 5). פסי השגיאה מייצגים סטיית תקן אחת. מובהקות סטטיסטית הוערכה באמצעות מבחן t דו-צדדי לעצמאיים (p < 0.05). אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

טבלה 6: השוואת מדד יציבות תבנית קוונטית (QPSI) על פני גדלי מאגרי נתונים שונים. השוואה של מדד יציבות תבנית קוונטית (QPSI) שהושג על ידי ML-HQNC ומודלים מתחרים. התוצאות מדווחות כממוצע ± סטיית תקנית על פני חמש הרצות ניסיוניות עצמאיות (n = 5). אנא לחצו כאן להורדת טבלה זו.

השוואה בין אלגוריתמים בתרשים קווי המדגים את ה-CDAG לעומת המספר הכולל של הרשומות.
איור 7: השוואת רווח הסתגלות חוצת-דומיינים (CDAG) על פני גדלי מאגרי נתונים שונים. השוואה של רווח ההסתגלות חוצת-הדומיינים (CDAG) שהושג על ידי ML-HQNC לעומת מודלים מתחרים על פני גדלי מאגרי נתונים שונים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמישה הרצות ניסיוניות עצמאיות (n = 5). פסי השגיאה מייצגים סטיית תקן אחת. מובהקות סטטיסטית הוערכה באמצעות מבחן t בלתי תלוי דו-זנבי (p < 0.05). אנא לחצו כאן כדי להציג גרסה גדולה יותר של איור זה.

טבלה 7: השוואת רווח הסתגלות חוצת-דומיינים (CDAG) עבור גדלי מערכי נתונים שונים.השוואה של רווח ההסתגלות חוצת-הדומיינים (CDAG) שהושג על ידי ML-HQNC ומודלים מתחרים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמישה הרצות ניסיוניות בלתי תלויות (n = 5). אנא לחצו כאן להורדת טבלה זו.

גרף השוואת דיוק; שיטה: Fast R-CNN, Bi-LSTM, CNN, XGBoost, ML-HQNC; ניתוח ביצועים.
איור 8: השוואת דיוק הסיווג בגדלי מערכי נתונים שונים. השוואה של דיוק הסיווג שהושג על ידי ML-HQNC ומודלים מתחרים בגדלי מערכי נתונים שונים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמישה הרצות ניסוייות עצמאיות (n = 5). פסי השגיאה מייצגים סטיית תקן אחת. מובהקות סטטיסטית הוערכה באמצעות two-sided independent t-test (p < 0.05). אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

טבלה 8: השוואת דיוק הסיווג על פני גדלי מערכי נתונים שונים. השוואה של דיוק הסיווג שהושג על ידי ML-HQNC ומודלים מתחרים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמישה הרצות ניסיוניות עצמאיות (n = 5). אנא לחצו כאן כדי להוריד טבלה זו.

גרף סיבוכיות זמן; מודלים של Fast R-CNN, Bi-LSTM, CNN, XGBoost, ML-HQNC; ניתוח ביצועים.
איור 9: השוואת זמן חישוב עבור גדלי מאגרי נתונים שונים.השוואה של זמן הביצוע החישוביי של ML-HQNC ומודלים מתחרים עבור גדלי מאגרי נתונים שונים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמש הרצות ניסיוניות עצמאיות (n = 5). פסי השגיאה מייצגים סטיית תקן אחת. ערכים נמוכים יותר מעידים על זמן ביצוע חישובי קצר יותר. מובהקות סטטיסטית הוערכה באמצעות מבחן t דו-צדדי ובלתי תלוי (p < 0.05). אנא לחצו כאן להצגת גרסה גדולה יותר של איור זה.

טבלה 9: השוואת זמן חישוב עבור גדלי מערכי נתונים שונים. השוואה של זמן הביצוע החישוב של ML-HQNC לעומת מודלים מתחרים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמישה הרצות ניסוייות עצמאיות (n = 5). ערכים נמוכים יותר מעידים על זמן ביצוע חישובי קצר יותר. אנא לחצו כאן להורדת טבלה זו.

גרף עקומת ROC; שיעור חיוביים אמיתיים לעומת חיוביים כוזבים; AUC=0.944; ביצועי למידת מכונה.
איור 10: השוואת השטח תחת עקומת מאפייני המקלט (AUC). השוואה של ה-AUC שהושג על ידי ML-HQNC ומודלים מתחרים לזיהוי עניין של סטודנטים להנדסה. ערכי ה-AUC המדווחים תואמים להרצה ניסויית אחת; לפיכך, לא מוצגים פסי שגיאה או ניתוחים של מובהקות סטטיסטית. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

איור משלים 1 מציג את מטריצת המתאם של משתנים התנהגותיים מייצגים. נצפו מתאמים חיוביים חזקים בין Avg_Score לבין Course_Completion_Rate (0.81) ובין Attendance_Rate לבין Course_Completion_Rate (0.75). מתאמים בינוניים נצפו בין Avg_Score לבין Course_Completion (0.72) ובין Attendance_Rate לבין Time_Assignment_Percentage (0.74). איורים משלימים 2 ו-3, יחד עם טבלה 10, מסכמים את מפות דיוק האימון והבדיקה. מסגרת ה-ML-HQNC המוצעת השיגה דיוק אימון של 96.1% ודיוק בדיקה של 93.8%, תוצאות העולות על ביצועי שיטות ההשוואה. איורים משלימים 4 ו-5, יחד עם טבלה 11, מסכמים את ניתוח ההתכנסות. מסגרת ה-ML-HQNC המוצעת השיגה את הפסד האימון הנמוך ביותר (0.21) ואת הפסד הבדיקה הנמוך ביותר (0.26), עם התכנסות יציבה לאורך תהליך האופטימיזציה.

טבלה 12 מסכמת את הביצועים הכוללים של מסגרת ה-ML-HQNC המוצעת ואת שיטות ההשוואה על פני כל מדדי ההערכה. המסגרת המוצעת השיגה את הביצועים הגבוהים ביותר עבור Accuracy, F1-score, AUC, IDP, QPSI ו-CDAG, בעוד שדרשה את זמן החישוב הקצר ביותר מבין השיטות שנבחנו. טבלה 13 מציגה את ניתוח האבליציה (ablation analysis) לפי רכיבים של המסגרת המוצעת. שילוב הדרגתי של שלב עיבוד המקדם BCRIS, ייצוג ההתנהגות QCSM, אלגוריתם בחירת התכונות QES-WOFS והמסווג ML-HQNC המלא הניב שיפורים הדרגתיים בביצועי הסיווג, מה שמעיד על תרומתו של כל רכיב למסגרת הכוללת.

טבלה 10: השוואת דיוק האימון והבדיקה. השוואה של דיוק האימון והבדיקה שהושגו על ידי ML-HQNC ומודלים מתחרים. הערכים המדווחים תואמים להרצה ניסיונית אחת. אנא לחצו כאן להורדת טבלה זו.

טבלה 11: השוואת הפסדי אימון ובדיקה. השוואה של הפסדי האימון והבדיקה שהושגו על ידי ML-HQNC ומודלים מתחרים. הערכים המדווחים תואמים להרצה ניסויית אחת. אנא לחצו כאן כדי להוריד טבלה זו.

טבלה 12: השוואת ביצועים כוללת. השוואה בין ML-HQNC למודלים מתחרים באמצעות מדדי הערכה מרובים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמישה הרצות ניסויים עצמאיות (n = 5). אנא לחצו כאן כדי להוריד טבלה זו.

זמינות נתונים:
מאגר הנתונים המקורי להערכת איכות ההוראה (Teaching Quality Evaluation Dataset) ששימש במחקר זה זמין לציבור במאגר Kaggle (https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset). הגישה למאגר הנתונים עשויה לדרוש אימות משתמש וכפופה לתנאי השימוש של Kaggle. כדי לתמוך ביכולת השחזור תוך עמידה בתנאי הרישוי של מאגר הנתונים המקורי, המשאבים שהופקו במהלך המחקר — כולל מאגר הנתונים הסינתטי, קוד המקור, קבצי מימוש וקונפיגורציה, תיאורי מאפיינים, תהליך העיבוד המקדים ותיעוד תומך הנדרש לשחזור הניסויים שדווחו — הופקדו במאגר Zenodo הנגיש באופן פתוח: https://doi.org/10.5281/zenodo.21393413.

טבלת נתוני ביצועי קורס; כוללת ציונים, נוכחות ומדדי משוב עבור סמסטרים מרובים.
איור 3: אוסף מאפיינים של מערך נתוני הערכת איכות ההוראה. מבנה והרכב מאפיינים של מערך נתוני הערכת איכות ההוראה המשמש לזיהוי תחומי עניין של סטודנטים להנדסה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

איור משלים 1: מטריצת מתאם של תכונות. מטריצת מתאם המציגה מערכות יחסים זוגיות בין משתנים חינוכיים והתנהגותיים מייצגים ששימשו את מסגרת ה-ML-HQNC המוצעת. אנא לחצו כאן כדי להוריד קובץ זה.

איור משלים 2: השוואת דיוק האימון. השוואה של דיוק האימון שהושג על ידי ML-HQNC ומודלים מתחרים לאורך תהליך האימון. אנא לחץ כאן להורדת קובץ זה.

איור משלים 3: השוואת דיוק הבדיקה. השוואה של דיוק הבדיקה שהושג על ידי ML-HQNC ומודלים מתחרים במהלך תהליך הבדיקה. אנא לחץ כאן להורדת קובץ זה.

איור משלים 4: ניתוח הפסד האימון. השוואה של הפסד האימון שהושג על ידי ML-HQNC ומודלים מתחרים במהלך אופטימיזציית המודל. אנא לחצו כאן להורדת קובץ זה.

איור משלים 5: ניתוח הפסד בבדיקה. השוואה של הפסד הבדיקה שהושג על ידי ML-HQNC ומודלים מתחרים במהלך הערכת המודל.  אנא לחצו כאן להורדת קובץ זה.

טבלה נלווית 1: פרמטרי סימולציה והגדרות ניסיוניות. סיכום של פרמטרי הסימולציה, סביבת המימוש, חלוקת מערך הנתונים וההגדרות הניסיוניות ששימשו להערכת מסגרת ה-ML-HQNC המוצעת. אנא לחצו כאן להורדת קובץ זה.

טבלה נלווית 2: תוצאות תיקוף של שלב עיבוד המקדימה Box–Cox Robust IQR Scaling (BCRIS). השוואה של מאפייני מערך נתונים מייצגים לפני ואחרי עיבוד מקדימה, כולל ערכים חסרים, רשומות כפולות, טיפול בחריגים, נרמול מאפיינים ועקביות נתונים. אנא לחץ כאן להורדת קובץ זה.

טבלה משלימה 3: מאפיינים מייצגים שהופקו על ידי מודל המצב הקוגניטיבי הקוונטי (QCSM). מאפיינים התנהגותיים מייצגים שהופקו על ידי ה-QCSM לאחר עיבוד מקדים של הנתונים, כולל מאפיינים של מצב קוגניטיבי, מעורבות, אי-ודאות, מעבר בין נושאים ועקביות התנהגותית. אנא לחצו כאן כדי להוריד קובץ זה.

טבלה נספחת 4: מאפיינים שנבחרו על ידי אלגוריתם בחירת המאפיינים Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS). תת-קבוצת המאפיינים הסופית שנבחרה על ידי אלגוריתם QES-WOFS, יחד עם קטגוריות המאפיינים התואמות, רמות השפעה יחסיות ותפקידים תפקודיים במסגרת המוצעת. אנא לחצו כאן כדי להוריד קובץ זה.

טבלה משלימה 5: קטגוריות לחיזוי איכות ההוראה. תיאור של קטגוריות החיזוי ומאפיינים התנהגותיים מייצגים המשמשים את מסגרת ה-ML-HQNC המוצעת. אנא לחצו כאן להורדת קובץ זה.

טבלה נלווית 6: ניתוח רגישות שוליים. סיכום של ניתוח רגישות השוליים שבוצע במהלך הערכת המודל. אנא לחצו כאן להורדת קובץ זה.

קובץ משלים 1: שיטות משלימות, ניסוחים מתמטיים, מדדי הערכה וטבלאות משלימות. קובץ זה מכיל ניסוחים מתמטיים מפורטים עבור ה-Box–Cox Robust IQR Scaling (BCRIS), מודל מצב קוגניטיבי קוונטי (QCSM), בחירת תכונות באמצעות אופטימיזציית נחיל-לווייתנים משופרת קוונטית (QES-WOFS), ומסווג עצבי היברידי קוונטי-קלאסי מבוסס למידת-מטא (ML-HQNC) המתוארים בפרוטוקול הראשי. הוא כולל גם הגדרות של מדדי ההערכה, פרמטרי סימולציה, הגדרות ניסוייות, וטבלאות משלימות S1–S6 התומכות בתוצאות המוצגות בכתב היד הראשי. אנא לחצו כאן כדי להוריד קובץ זה.

דיון

מסגרת ה-ML-HQNC המוצעת הדגימה ביצועים משופרים בזיהוי ענייני העניין של סטודנטים להנדסה באמצעות שילוב של מידול התנהגותי בהשראת קוונטים, בחירת מאפיינים אדפטיבית ולמידת-מטא (meta-learning) בתוך זרימת עבודה חישובית מאוחדת. בהשוואה ל-Fast R-CNN, Bi-LSTM, CNN ו-XGBoost, המסגרת השיגה באופן עקבי ביצועים גבוהים יותר במדדי סיווג קונבנציונליים ובמדדי הערכה התנהגותיים המוצעים. ממצאים אלו מצביעים על כך ששילוב של ייצוג מצב קוגניטיבי בהשראת קוונטים עם אופטימיזציה אדפטיבית של מאפיינים שיפר את יכולתה של המסגרת למדל התנהגויות חינוכיות מורכבות תוך שמירה על ביצועי סיווג חסונים. זמן החישוב הנמוך וההבדל הקטן בין ביצועי האימון לביצועי הבדיקה מעידים עוד על אופטימיזציה יציבה והכללה טובה.

מדדי ההערכה המוצעים השלימו את מדדי הסיווג הקונבנציונליים על ידי אספקת מידע נוסף על מידול התנהגותי. ה-Interest Detection Precision (IDP) כימת את דיוק זיהוי העניין, ה-Quantum Pattern Stability Index (QPSI) העריך את היציבות של הייצוגים ההתנהגותיים בהשראת קוונטים, וה-Cross-Domain Adaptability Gain (CDAG) בחן את יכולתו של המסגרת להכללה בין מחיצות נתונים שונות. יחד, מדדים אלה סיפקו הערכה רחבה יותר של ביצועי המודל מאשר מדדי ניבוי קונבנציונליים לבדם.

ניתוח האבליציה לפי רכיבים (Table 13) הדגים עוד יותר את התרומה של כל שלב בזרימת העבודה המוצעת. שילוב של שלב עיבוד המקדימה Box–Cox Robust IQR Scaling (BCRIS) שיפר את עקביות הנתונים על ידי הפחתת השפעתם של ערכים חריגים ויצירת ייצוגי מאפיינים מנורמלים. מודל המצב הקוגניטיבי הקוונטי (QCSM) התמיר משתנים חינוכיים רב-ממדיים לייצוגים התנהגותיים ששיקפו אי-ודאות, מעורבות והעדפות למידה מתפתחות. בחירת מאפיינים עוקבת באמצעות אלגוריתם Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) הפחיתה את כפילות המאפיינים תוך שמירה על מאפיינים התנהגותיים אינפורמטיביים. לבסוף, שילוב רכיבים אלה בתוך Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) שיפר את ביצועי הסיווג ואת יכולת ההכללה בהשוואה למודלי הבסיס.

הפרוטוקול המוצע נועד לזיהוי תחומי עניין של סטודנטים להנדסה באמצעות נתונים חינוכיים והתנהגותיים רב-ממדיים שנאספו מסביבות למידה דיגיטליות. תזרים העבודה החישובי יכול לתמוך בלמידה מותאמת אישית, ייעוץ אקדמי, תכנון תוכנית לימודים וניהול חינוכי חכם, על ידי אספקת גישה שיטתית לניתוח התנהגויות למידה של סטודנטים וזיהוי תחומי עניין מתפתחים. המסגרת מתאימה במיוחד למערכי נתונים חינוכיים מובנים המכילים משתנים התנהגותיים, אקדמיים והקשריים.

יישום מוצלח תלוי בזמינותם של נתונים חינוכיים באיכות גבוהה ובמשאבים חישוביים נאותים. לפני הניתוח, יש לבחון את מערכי הנתונים החינוכיים כדי לאתר ערכים חסרים, רשומות כפולות וסתירות, שכן איכות הנתונים משפיעה ישירות על העיבוד המקדים ועל מידול ההתנהגות במורד הזרם. ייצוגי מאפיינים יציבים תלויים אף הם בעיבוד מקדים מתאים, טרנספורמציה של מאפיינים ואופטימיזציה של היפר-פרמטרים. במהלך אימון המודל, יש לנטר את ההתכנסות באמצעות עקומות ההפסד של האימון והתיקוף, ויש להתאים את פרמטרי האופטימיזציה במידת הצורך כדי לשמור על התנהגות למידה יציבה.

על אף שהמסגרת הפגינה ביצועים יעילים באמצעות מערך הנתונים שנבדק, יש להביא בחשבון מספר מגבלות. הפרוטוקול תוקף באמצעות מערך נתונים חינוכי יחיד הזמין לציבור, ונדרשת הערכה נוספת באמצעות מערכי נתונים חינוכיים גדולים יותר, רב-מוסדיים ומגוונים יותר כדי להעריך טוב יותר את יכולת ההכללה. בנוסף, מסגרת הלמידה ההיברידית בהשראת קוונטים דורשת משאבים חישוביים גדולים יותר מאשר גישות למידה חישובית קונבנציונליות, וזאת בשל רכיבי עיבוד המקדימה, האופטימיזציה והלמידה ההיברידית שלה. המסגרת תלויה גם בנתונים חינוכיים עם הערות שוליים (annotated) מדויקות, והביצועים עלולים להיפגע ממערכי נתונים חסרים, רועשים או בעלי חוסר איזון משמעותי.

עבודות עתידיות יתמקדו בהרחבת המסגרת לזיהוי תחומי עניין של סטודנטים ברזולוציה גבוהה יותר למספר רב של קטגוריות, שילוב מודליות נוספות של נתונים חינוכיים כגון משוב טקסטואלי, התנהגויות למידה זמניות ויומני פעילות בזמן אמת ממערכות לניהול למידה, והערכת הפרוטוקול בסביבות מגוונות של חינוך הנדסי. אופטימיזציה נוספת של תזרים העבודה החישובי עשויה גם היא לשפר את יכולת ההרחבה (scalability) ולהקל על הפריסה במערכות ניהול חינוכיות רחבות היקף.

לסיכום, מסגרת ה-ML-HQNC המוצעת מספקת תהליך עבודה חישובי הניתן לשחזור לזיהוי תחומי עניין של סטודנטים להנדסה באמצעות נתונים חינוכיים רב-ממדיים. על ידי שילוב של עיבוד מקדמי חסון, מידול התנהגותי בהשראת קוונטים, בחירת תכונות אדפטיבית ולמידה עצבית היברידית קוונטית-קלאסית, השיגה המסגרת ביצועי סיווג משופרים תוך שמירה על אופטימיזציה יציבה וחישוב יעיל. מאפיינים אלו תומכים בפוטנציאל היישום שלה באנליטיקה חינוכית חכמה ובניהול השכלה הנדסית.

גילויים

המחבר מצהיר כי אין לו ניגודי אינטרסים.

תודות

המחבר מודה לאוניברסיטת בנגבוב (Bengbu University), בנגבוב, סין, על מתן התמיכה האקדמית וסביבת המחקר שאפשרו את ביצוע מחקר זה. עבודה זו נתמכה על ידי פרויקט הנדסת האיכות השנתי ברמת בית הספר לשנת 2025 של אוניברסיטת בנגבוב (מס' 2025zhkc1).

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מודלי בסיס (Fast R-CNN, Bi-LSTM, CNN, XGBoost)מימושים בקוד פתוחFast R-CNN (2015); מימוש TensorFlow/Keras גרסה 2.16; XGBoost גרסה 2.1.1מודלי ייחוס המשמשים להערכת ביצועים השוואתית.
מודול עיבוד מקדים BCRISפותח במחקר זהגרסה 1.0מודול עיבוד מקדים מותאם המיישם טרנספורמציית Box-Cox ונורמליזציית IQR חסינה.
Jupyter NotebookProject Jupyterגרסה 7.2.2סביבת פיתוח אינטראקטיבית המשמשת למימוש, לאימון ולבדיקה.
מסווג ML-HQNCפותח במחקר זהגרסה 1.0מסווג רשת נוירונים היברידי קוונטי-קלאסי מוצע עם מסגרת למידה-מטא (meta-learning).
PythonPython Software Foundationגרסה 3.11.9שפת תכנות המשמשת לפיתוח מודלים ולניסויים.
PyTorchPyTorch Foundationגרסה 2.5.1מסגרת למידה עמוקה המשמשת למימוש ואימון של מודלים.
מודל QCSMפותח במחקר זהגרסה 1.0מודל מצב קוגניטיבי קוונטי (Quantum Cognitive State Model) מוצע לייצוג תבניות התנהגותיות.
אלגוריתם QES-WOFSפותח במחקר זהגרסה 1.0אלגוריתם לבחירת תכונות המבוסס על אופטימיזציית נחיל לווייתנים משופרת-קוונטית (Quantum-Enhanced Swarm–Whale Optimization Feature Selection).
Scikit-learnScikit-learn Developersגרסה 1.6.1ספריית למידת מכונה המשמשת לעיבוד מקדים, בחירת תכונות והערכה.

מקורות

  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.

הדפסות חוזרות והרשאות

תגיות

ניתוח נתונים חינוכייםניתוח דפוסי התנהגותבחירת תכונותמודל מצב קוגניטיבי קוונטילמידה עצבית היברידיתעיבוד מקדים של נתוניםלמידה מותאמת אישיתחינוך להנדסה
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.