מאמר מחקר

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

1 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 מערכות חינוך נמצאות בשימוש גובר ברחבי מגזר החינוך, הודות להתקדמות מהירה בטכנולוגיית מידע וברשתות מחשבים. הצמיחה המתמשכת של ההשכלה הגבוהה לוותה בעלייה ברישום סטודנטים, במיוחד בקרב סטודנטים להנדסה, מה שהוביל לעלייה משמעותית בנתוני ניהול החינוך. צמיחה זו תומכת בפיתוח חינוכי בר-קיימא, מאיצה את המעבר למידעוטיזציה (informatization) בחינוך, ומסייעת להקמת מערכות ניהול חינוכיות סטנדרטיות המשפרות את העקביות והיעילות של ניהול ההוראה. למידת מכונה (Machine Learning - ML) מספקת טכניקות חישוביות המאפשרות למערכות לנתח נתונים, ללמוד מדפוסים ולשפר באופן רציף את ביצועי הניבוי ללא תכנות מפורש1,2.

איכות חינוכית היא מרכיב בסיסי בחינוך הגבוה. בשנים האחרונות, נעשה שימוש נרחב בבחינות כדי להעריך את הבנתם של סטודנטים להנדסה בתכני הקורס ואת יכולתם לרכוש ידע חדש, ובכך לקדם שיפורים מתמידים באיכות החינוכית. ניתן להקים סביבות למידה ממוקדות-לומד על ידי ניצול משאבי למידה מגוונים הזמינים דרך פלטפורמות חינוכיות מקוונות ויישום תיאוריות למידה מרובות כדי לתת מענה לצרכים של לומדים שונים. הוראה אפקטיבית ממלאת תפקיד מפתח בשיפור תוצאי 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 ותוכן ההוראה.

השכלה גבוהה מקדמת את הפיתוח האינטלקטואלי, האישי והחברתי של סטודנטים. במקביל, מעורבות סטודנטים — הכוללת ממדים התנהגותיים, רגשיים וקוגניטיביים — והתמדה אקדמית הפכו לגורמים מכריעים בתוצאות הלמידה. רמות גבוהות של מעורבות סטודנטים תורמות באופן משמעותי להצלחה אקדמית לטווח ארוך5,6. התקדמות בטכנולוגיות חינוכיות יצרה הזדמנויות חדשות לאנליטיקה חינוכית מבוססת נתונים, באמצעות מידול של מערכות יחסים לא לינאריות ומורכבות בין מאפיינים קוגניטיביים, התנהגותיים ואקדמיים של סטודנטים, תוך שימוש בטכניקות של למידת מכונה (ML) ולמידה עמוקה (DL).

אתגר מרכזי נותר בתצפית והערכה יעילות של דינמיקה בכיתה, תוך התחשבות בהתנהגויות משתנות של סטודנטים. גישות מסורתיות להערכת איכות חינוכית וניתוח התנהגות של סטודנטים להנדסה הן לרוב גוזלות זמן וחשופות לשיפוט אנושי סובייקטיבי. חוסר קשב של סטודנטים במהלך פעילויות בכיתה משפיע לרעה על תוצאי הלמידה ועל ההישגים האקדמיים7,8. עם זאת, שמירה על קשב מתמשך בקרב סטודנטים להנדסה נותרת מאתגרת בשל הסחות דעת פנימיות וחיצוניות ותנודות ברמת המוטיבציה.

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 מונעות טכנולוגיה עם פרקטיקה חינוכית, תוך שמירה על פרטיות וסטנדרטים אתיים. בנוסף, שקיפות מודלים מוגבלת ואתגרים הקשורים לשילוב טכנולוגי9,10, כולל הטיות מתודולוגיות ושוויוניות בחינוך, ממשיכים לעכב את הפיתוח של מערכות חיזוי המסוגלות לתמוך בלומדים באמצעות ניטור רציף.

גישות של למידת מכונה שימשו באופן נרחב לטיפול באתגרים חינוכיים, כגון חיזוי סיכונים של סטודנטים ושיעורי נשירה. גישות אלו הדגימו יכולת לזהות סטודנטים בסיכון גבוה, ובכך תמכו בהתערבויות המשפרות את ההישגים האקדמיים11. מערכות לניהול חינוכי המבוססות על בינה מלאכותית (AI) פותחו גם כדי לשפר תהליכים מנהליים ואקדמיים במוסדות להשכלה גבוהה. מאגרי נתונים חינוכיים כוללים בדרך כלל רשומות אקדמיות כגון ציוני קורסים, רישומי נוכחות והיסטוריית הרשמה12.

מחקרים קודמים ניתחו את התנהגות הסטודנטים משלוש נקודות מבט: נתוני הערכה, שיטות ותוצאות13,14. מודלי חיזוי המבוססים על אוריינות מידע פותחו כדי לנתח את המאפיינים ההתנהגותיים של סטודנטים במכללות. מחקרים אלה מתמקדים בעיקר בהערכת התנהגות הלומד באמצעות שיטות של למידה עמוקה (DL). עם זאת, מחקר על הערכה חכמה של התנהגות מורים נמצא עדיין בשלב מוקדם, דבר המגביל את ההתקדמות בתחום זה. רשתות עצביות קונבולוציוניות מבוססות אזורים מהירות (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 אף הם את דיוק חיזוי הציונים של סטודנטים במכללה. באופן דומה, מודלים לחיזוי שפותחו באמצעות מאגרי נתונים של התנהגות למידה מקוונת הדגימו ביצועי חיזוי משופרים16,17,18. בנוסף, קיבץ k-means (KMC) שימש לזיהוי המאפיינים של קבוצות סטודנטים שונות באמצעות ניתוח אשכולות, ובכך סיפק תובנות לגבי התנהגות סטודנטים התומכות בשיפורים בהוראה, בניהול ובמידה. אסטרטגיות מבוססות למידה עמוקה הוצעו אף הן כדי לשפר את הזיהוי וההערכה של התנהגויות הוראה בכיתה. בגישות אלו, מאפייני התנהגות כיתתית משמשים לביסוס קשרים בין ייצוגי מאפיינים לבין היפר-מישורים (hyperplanes), תוך שימוש בערכי התחלה נפרדים ליניארית עבור מכונת וקטורים תומכים (SVM)19,20. עם זאת, אתגרים כגון הסתרה, פרטים התנהגותיים דקים והפרעות סביבתיות ממשיכים להגביל את דיוק זיהוי התנהגותם של סטודנטים להנדסה בסביבות כיתתיות.

למידה עמוקה יושמה גם בהערכה מבוססת-תוצאות של קורסים באוניברסיטה, כולל הערכה חינוכית בחינוך פוליטי ואידאולוגי21,22היעילות של מודלי חיזוי אלו הוכחה באמצעות מאגרי נתונים חינוכיים הזמינים לציבור. רשתות עצביות ספייקינג עם הזנה קדימה (FSNNs) שימשו לחיזוי ביצועיהם האקדמיים של סטודנטים באמצעות נתונים שנאספו מפלטפורמות למידה מקוונות וממערכות לניהול למידה. כפי שמוצג ב- איור 1זרימת העבודה החישובית המוצעת משלבת מערך נתונים להערכה חינוכית כדי לזהות את תחומי העניין של סטודנטים להנדסה, זאת באמצעות שלבים עוקבים של עיבוד מקדים של 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 ששימשו אותם והמגבלות הנלוות אליהן לזיהוי עניין של סטודנטים בתוך מערכות לניהול למידה.

figure-introduction-1
איור 1: מסגרת לזיהוי תחומי עניין של סטודנטים. זרימת העבודה הכללית של מסגרת זיהוי תחומי העניין המוצעת עבור סטודנטים להנדסה, הכוללת איסוף נתונים, עיבוד מקדימ, ניתוח דפוסי התנהגות, בחירת מאפיינים וסיווג. אנא לחץ כאן כדי להציג גרסה מוגדלת של איור זה.

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

ה-Swin Transformer ורשת פירמידת מאפיינים (FPN) קלה יושמו לזיהוי התנהגות סטודנטים בכיתה באמצעות עיבוד יעיל של מפות מאפיינים רב-קנומיות33. בנוסף, רשת עצבית רקורסיבית הניתנת להתאמה ומותאמת על ידי אופטימיזציית זבוב-פירות (PFFO-ARNN) שימשה לניתוח התנהגות למידה מקוונת של סטודנטים ולניבוי הישגים בקורס34. מחקרים המבוססים על נתוני התנהגות סטודנטים שנאספו ממערכות לניהול למידה באוניברסיטאות הדגישו גם את חוסר היעילות ואת משך הזמן הממושך 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 חכמות המבוססות על למידה עמוקה עבור חינוך הנדסי. השוואה בין מערכות ניהול הוראה מייצגות המבוססות על למידה עמוקה, מערכי נתונים, מדדי הערכה ומגבלות שדווחו. אנא לחצו כאן כדי להוריד טבלה זו.

במחקר קודם48 פותח מודל להערכת איכות הוראה משולבת המבוסס על רשתות אמונה עמוקות (DBNs), והוצעה אסטרטגיית הערכה מעורבת לבחינת איכות ההוראה באוניברסיטאות. הגישה המוצעת עלתה בביצועיה על האלגוריתם הגנטי (GA) הקונבנציונלי הן בדיוק הסיווג והן בזמן הביצוע, והשיגה דיוק של מעל 95% בפחות מ-5.4 ms. המודל אומן באמצעות מערכי נתונים חינוכיים מתויגים ונבחן באמצעות אסטרטגיית בדיקה עצמאית49,50. התוצאות שדווחו הראו ביצועי ניבוי חזקים, עם שגיאה מוחלטת ממוצעת (MAE) של 0.593% ושגיאת שורש ממוצעת של הריבוע (RMSE) של 0.785%.

ארכיטקטורות עדכניות 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 באמצעות לכידה של אינטראקציות מאפיינים מורכבות. מודלים למעקב ידע המבוססים על Transformer הדגימו גם הם דיוק חיזוי ויכולת פירוש משופרת על ידי ניצול מנגנוני קשב למידול מסלולי הלמידה של התלמידים52. למרות שארכיטקטורות מבוססות Transformer וקשב שיפרו את הביצועים במשימות חיזוי חינוכיות על ידי מידול תלויות הקשריות ואינטראקציות מאפיינים ארוכות-טווח, גישות אלו מתמקדות בעיקר בחיזוי ביצועי תלמידים או במעקב ידע, ולא בזיהוי תחומי עניין של תלמידים מודע לאי-ודאות באמצעות מידול קוגניטיבי בהשראת קוונטים, בחירת מאפיינים אופטימלית ולמידה מטא-היברידית.

למרות 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 הסטודנטים, הכולל העדפות למידה משתנות, אי-ודאות התנהגותית, קשרי הקשר ואינטראקציות סמנטיות. יתרה מכך, שיטות אלו מסתמכות לעיתים קרובות על הנדסת תכונות קונבנציונלית ואסטרטגיות למידה דטרמיניסטיות, אשר עשויות שלא ללכוד באופן מספק דפוסי התנהגות לא ליניאריים או להסתגל לסביבות למידה דינמיות. כתוצאה מכך, נדרשת מסגרת מקיפה יותר המשלבת עיבוד מקדימה חסון של נתונים, מידול התנהגותי אינטליגנטי, בחירת תכונות אדפטיבית וטכניקות למידה היברידיות כדי לשפר את הניתוח של נתונים חינוכיים מורכבים.

כדי להתגבר על מגבלות אלו, המסגרת המוצעת משלבת עיבוד מקדים חסון של נתונים, מידול התנהגותי בהשראה קוונטית, בחירת תכונות אופטימלית ולמידה עצבית היברידית קוונטית-קלאסית בתוך 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 באמצעות נתונים חינוכיים והתנהגותיים רב-ממדיים לזיהוי תחומי עניין של סטודנטים להנדסה. המסגרת משלבת עיבוד מקדמי נתונים חסון, מידול מצב קוגניטיבי בהשראת קוונטום, בחירת מאפיינים אופטימלית, ומסווג עצבי היברידי קוונטי-קלאסי מבוסס למידה-על (ML-HQNC) כדי לנתח את התנהגויות הלמידה של הסטודנטים ולסייע בזיהוי מדויק של תחומי העניין שלהם. הביצועים מוערכים באמצעות מדדים סטנדרטיים, הכוללים דיוק (accuracy), מדד F1, והשטח תחת העקומה של מאפייני תפעול המקלט (AUC), יחד עם דיוק זיהוי עניין (IDP), מדד יציבות תבנית קוונטית (QPSI), ותגבור הסתגלות חוצת-דומיינים (CDAG). על ידי שילוב רכיבים משלימים אלו לתוך זרימת עבודה חישובית אחת, המסגרת 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 מוסדי או הסכמה מדעת. כלי המחקר ששימשו במחקר זה מפורטים ב- טבלת חומרים.

1. סקירה כללית של מסגרת ה-CQEI
מסגרת ה-Quantum-Inspired Conceptual Education Intelligence (CQEI) המוצעת שילבה עיבוד מקדים של נתונים, ניתוח דפוסי התנהגות, בחירת מאפיינים וסיווג כדי לזהות את תחומי העניין של סטודנטים להנדסה, תוך שימוש במאגר נתונים להערכת איכות ההוראה (Teaching Quality Evaluation Dataset) שהושג ממאגר Kaggle. ראשית, נערך עיבוד מקדים למאגר הנתונים באמצעות שיטת Box–Cox Robust IQR Scaling (BCRIS) כדי להפחית רעש סמנטי ולנרמל את מאפייני הקלט. לאחר מכן, נותחו דפוסי ההתנהגות של הסטודנטים באמצעות מודל המצב הקוגניטיבי הקוונטי (QCSM). לאחר מכן יושם אלגוריתם Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) כדי לזהות מאפיינים בעלי ערך אינפורמטיבי תוך הפחתת כפילויות במאפיינים, וזאת באמצעות מידול בחירה קוונטית אופטימלית, משמעות משוב ושינויים התנהגותיים חולפים. לבסוף, ה-Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) שילב למידה בהשראה קוונטית עם שכבות סמנטיות שאריות עמוקות (deep residual semantic layers) 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 ברכישת מערך הנתונים הלימודי ממאגר Kaggle, ולאחריהם עיבוד מקדים של הנתונים באמצעות Box–Cox Robust IQR Scaling (BCRIS), טרנספורמציית תכונות וייצוג התנהגותי באמצעות מודל המצב הקוגניטיבי הקוונטי (QCSM), ובחירת תכונות באמצעות אלגוריתם Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS). התכונות שנבחרו שימשו לאחר מכן לאימון ותיקוף של המודל באמצעות Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC), ולבסוף הוערכה המסגרת באמצעות דיוק (accuracy), מדד F1, השטח תחת עקומת מאפייני המקלט (AUC), דיוק זיהוי עניין (IDP), מדד יציבות תבנית קוונטית (QPSI) ורווח הסתגלות חוצת-דומיינים (CDAG).

figure-protocol-1
איור 2: מסגרת מסווג עצבי קוונטי-קלאסי היברידי מבוסס למידת-מטא (ML-HQNC). הארכיטקטורה הכוללת של מסגרת ה-ML-HQNC המוצעת, המשלבת Box–Cox Robust IQR Scaling (BCRIS) לעיבוד מקדמי של נתונים, את מודל המצב הקוגניטיבי הקוונטי (QCSM) לניתוח דפוסי התנהגות, 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 לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

2. מערך נתונים להערכת איכות ההוראה
המסגרת המוצעת פותחה באמצעות מערך נתונים להערכת איכות ההוראה הזמין לציבור, אשר הושג ממאגר הנתונים של Kaggle. מערך הנתונים הכיל 1,014 רשומות חינוכיות עם 14 מאפיינים רב-ממדיים המייצגים ביצועים אקדמיים, ציוני הערכה, נוכחות, מאפייני הוראה ומדדי התנהגות של סטודנטים שנאספו באמצעות פלטפורמת ניהול החינוך המקיפה (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, מאגר הנתונים חולק לתתי-קבוצות של אימון (80%) ובדיקה (20%). סך של 800 רשומות שימשו לאימון המודל המוצע, כאשר 200 נשמרו לצורך הערכת ביצועים. מאגר הנתונים זמין לציבור בכתובת: https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. מאגרי נתוני האימון והבדיקה עובדו לאחר מכן באמצעות המסגרת המוצעת כדי לבנות את מודל הלמידה ולשפר את יכולת הניבוי שלו.

למרות 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 הביצועים המדווחים מתארים את יעילות המסגרת בזיהוי תחומי העניין של סטודנטים להנדסה, ולא את הערכת איכות ההוראה. לפני עיבוד מקדים של הנתונים, בוצע אימות למערך הנתונים שהובא כדי להבטיח שכל 1,014 הרשומות נטענו בהצלחה, שסכמת מערך הנתונים תואמת לפורמט המצופה, ושרשומות חסרות או כפולות זוהו וטופלו.

3. עיבוד מקדים של נתונים באמצעות נרמול BCRIS (Box–Cox Robust IQR Scaling)
שיטת ה-Box–Cox Robust IQR Scaling (BCRIS) שימשה לעיבוד מקדים ולנרמול של מערך הנתונים החינוכי על ידי שילוב של טרנספורמציית Box–Cox עם נרמול חסון (robust scaling) המבוסס על טווח בין-רבעוני (IQR), במטרה להפחית את השפעתם של ערכים קיצוניים. תיקון סימטריה יחד עם נרמול ממוקם חציון יצרו ייצוגי תכונות יציבים סטטיסטית וניתנים להרחבה, המתאימים לניתוח המשכי. במסגרת בינה חינוכית המוצעת, BCRIS הפכה אינדיקטורים חינוכיים, הוראתיים 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 נתוני האימון והבדיקה. הסברים מתמטיים מפורטים מופיעים ב-Supplementary File 1 (Section S1). שיטת ה-BCRIS סיפקה אסטרטגיית עיבוד מקדים התואמת למחשוב קוונטי, אשר נרמלה נתונים חינוכיים הטרוגניים לפני ניתוח סטטיסטי המשכי, תוך שימור המאפיינים ההתנהגותיים הבסיסיים הדרושים למודלים הבאים. לפני הניתוח ההתנהגותי, הליך העיבוד המקדים אומת כדי להבטיח שמערך הנתונים המנורמל אינו מכיל ערכים לא תקינים או חסרים, שהרעש הסמנטי הופחת, ושתכונות המעובדות מתאימות לבניית המודל ההתנהגותי.

4. טרנספורמציית 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 בהשראה קוונטית. עניין הסטודנט יוצג כחפיפה של מספר מצבים מושגיים המשקפים את ההיררכיה של מושגים קוגניטיביים, אי-ודאות, חפיפה מושגית, מעורבות סימולטנית במספר נושאים, התנהגויות למידה מהססות או לא נחרצות, וההסתברות לשינויים בהעדפות הלמידה. המדדים הרב-ממדיים ממאגר 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 קוונטיים עם התאמה מושגית מבוססת התאבכות כדי להפיק ייצוגים קוגניטיביים בהשראה קוונטית המשקפים את היציבות והאבולוציה 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 קוונטיים מנורמלים. ייצוגים התנהגותיים אומתו על פני כל רשומות הסטודנטים כדי להבטיח שמאפייני המצב הקוגניטיבי שהופקו תפסו במדויק את התנהגויות הלמידה ואת המעברים בין נושאים.

5. בחירת מאפיינים באמצעות אלגוריתם Quantum-Enhanced Swarm–Whale Optimization Feature Selector (QES-WOFS)
אלגוריתם ה-Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) 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 בהתאם למתאם שלהם עם תוצאת היעד. תת-קבוצות של מאפיינים מועמדים מודלו באמצעות ייצוגי הסתברות קוונטית, בעוד שמנגנון מנהור קוונטי אפשר מעברים הסתברותיים מעבר לאופטימום מקומי. חשיבות המאפיינים נאמדה באמצעות נראות שולית (marginal likelihood) כדי לכמת את תרומתו של כל מאפיין לביצועי הסיווג ולמצבי נחילים אדפטיביים. אלגוריתם ה-QES-WOFS בחר מאפיינים יציבים ובעלי משמעות התנהגותית, ובכך שיפר את העמידות לרעשים, לשונות בין סמסטרים ולתנודות התנהגותיות תקופתיות.

כדי להתגבר על המגבלות הכרוכות בשימוש בבודד באלגוריתם אופטימיזציה של לווייתנים (WOA) או באופטימיזציה של נחיל חלקיקים (PSO), שילב אלגוריתם ה-QES-WOFS חקירה גלובלית מבוססת PSO עם ניצול מקומי מבוסס WOA. מנגנון מנהור קוונטי אפשר בנוסף מעברים הסתברותיים מעבר לאופטימום מקומי, ובכך הגדיל את הגיוון באוכלוסייה, הפחית את הכפילות של המאפיינים ושיפר את ההתכנסות לעבר תת-קבוצת מאפיינים אופטימלית לזיהוי עניין של סטודנטים להנדסה.

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

6. אימון ותיקוף המודל באמצעות מסווג עצבי קוונטי-קלאסי היברידי של למידה-מטא (ML-HQNC)
המסווג העצבי הקוונטי-קלאסי ההיברידי של למידה-מטא (ML-HQNC) הוטמע על ידי שילוב של רשתות עצביות עמוקות עם חישובים בהשראת קוונטים כדי לזהות את תחומי העניין של סטודנטים להנדסה. מנגנוני קשב קוונטיים רב-ראשיים ושכבות סמנטיות שאריתיות עמוקות תפסו קשרים לא-ליניאריים מורכבים בתוך נתונים חינוכיים רב-ממדיים שהיו מיוצגים באמצעות מעגלים קוונטיים וריאציוניים (VQCs). מאפיינים נגזרים מהתנהגות, כולל student_average_grade, attendance_rate ו-student_feedback_rating, הוקרנו אל מרחב מצב קוונטי, שבו קלטים מנורמלים הומרו לייצוגים קוונטיים מבוססי אמפליטודה כדי למדל דפוסי מעורבות חופפים והסתברותיים. וקטורי מאפיינים התנהגותיים מנורמלים של סטודנטים חושבו בהתאם למשוואות המופיעות ב-Supplementary File 1 (Section S4). לאחר מכן, ה-ML-HQNC סיווג וזיהה את תחומי העניין של הסטודנטים להנדסה.

המסווג ML-HQNC השתמש באסטרטגיית מטא-למידה אפיזודית במהלך האימון. לכל אפיזודה הוקצבה משימת מטא-למידה אחת שנבחרה באופן אקראי מתוך סט נתוני האימון. תוך שמירה על התפלגות המחלקות, נתוני האימון חולקו לסט תמיכה (80%) ולסט שאילתה (20%). סט התמיכה שימש להתאמת פרמטרים ספציפיים למשימה באמצעות לולאת האופטימיזציה הפנימית, בעוד שסט השאילתה שימש להערכת המודל המותאם ולחישוב המטא-הפסד (meta-loss) המשמש לעדכון הפרמטרים המשותפים. סך של 100 משימות מטא-למידה הופקו במהלך כל מחזור אימון. חמישה שלבי עדכון גרדיאנט עם קצב למידה פנימי של 0.001 שימשו להתאמת הלולאה הפנימית, בעוד שאופטימייזר Adam עם קצב למידה חיצוני של 0.0005 ביצע אופטימיזציה למטא-פרמטרים. דגימה אקראית של משימות חוזרה בכל תקופת אימון (epoch) כדי לחשוף את המודל לדפוסי התנהגות מגוונים ולשפר את ההכללה לפרופילי סטודנטים שאינם מוכרים. הערכת ההפסד עבור יישור ניגודי קוונטי מתוארת ב- קובץ נלווה 1 (משוואות 41–45)אימון המודל אומת כדי להבטיח התכנסות מוצלחת ללא שגיאות חישוביות, וכדי לוודא שעקומות ההפסד (loss curves) של האימון והתיקוף התייצבו לאורך תקופות (epochs) עוקבות.

תוצאות

מסגרת ה-ML-HQNC המוצעת הוערכה אל מול Fast R-CNN, Bi-LSTM, CNN ו-XGBoost באמצעות מדדי סיווג קונבנציונליים, הכוללים Accuracy, Precision, Recall, F1-score והשטח תחת עקום מאפייני המקלט (AUC), יחד עם מדדי ההערכה המוצעים Interest Detection Precision (IDP), Quantum Pattern Stability Index (QPSI) ו-Cross-Domain Adaptability Gain (CDAG). ההגדרות המתמטיות של מדדים אלו מופיעות ב-Supplementary File 1 (Section 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 על פני חמש ההרצות. מובהקות סטטיסטית בין המסגרת המוצעת למודלי הבסיס נבדקה באמצעות t-test מזווג, כאשר p < 0.05 נחשב כמובהק סטטיסטית.

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

טבלה 3: משתנה המטרה של מערך הנתונים להערכת איכות ההוראה. תיאור של משתנה המטרה המקורי Teaching_Quality וקטגוריות הסיווג שלו (Good ו-Excellent) ששימשו לאימון והערכת המודל. אנא לחצו כאן להורדת טבלה זו.

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

כפי שמוצג ב-איור 4 וב-טבלה 4, מסגרת ה-ML-HQNC המוצעת השיגה את מדד ה-F1 הגבוה ביותר (87.9%) מבין השיטות שנבחנו. מדדי ה-F1 המתאימים 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-זנבי בלתי תלוי (p < 0.05).

איור 5 ו-טבלה 5 מסכמים את תוצאות הדיוק בזיהוי עניין (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 תבנית 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 הרווח במסתגלות בין-דומיינים (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 ו-טבלה 8, מסגרת ה-ML-HQNC המוצעת השיגה את דיוק הסיווג הגבוה ביותר (96.17%). הדיוקים המקבילים 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 המקלט (ROC). מסגרת ה-ML-HQNC המוצעת השיגה AUC של 0.944, מה שמעיד על שיעור חיוביים-אמיתיים גבוה ושיעור חיוביים-שגויים נמוך לאורך סף הסיווג שנבדק.

figure-results-1
איור 4: השוואת מדד F1-score עבור גדלי מאגרי נתונים שונים. השוואה של מדד ה-F1-score שהושג על ידי ML-HQNC ומודלים מתחרים עבור גדלי מאגרי נתונים שונים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמש הרצות ניסיוניות בלתי תלויות (n = 5). פסי השגיאה מייצגים סטיית תקן אחת. מובהקות סטטיסטית נבחנה באמצעות מבחן t דו-זנבי למדגמים בלתי תלויים (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 לעומת מודלים מתחרים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמש הרצות ניסיוניות עצמאיות (n = 5). אנא לחצו כאן להורדת טבלה זו.

figure-results-2
איור 5: השוואת דיוק זיהוי עניין (IDP) בגדלי מערכי נתונים שונים.השוואה של דיוק זיהוי עניין (IDP) שהושג על ידי ML-HQNC ומודלים מתחרים בגדלי 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 בלתי תלוי דו-זנבי (p < 0.05). אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

טבלה 5: השוואת דיוק זיהוי עניין (IDP) עבור גדלי מאגרי נתונים שונים.השוואה של דיוק זיהוי עניין (IDP) שהושג על ידי ML-HQNC ומודלים מתחרים. התוצאות מדווחות כממוצע ± סטיית תקן לאורך חמישה הרצות ניסוייות עצמאיות (n = 5). אנא לחצו כאן להורדת טבלה זו.

figure-results-3
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 מוצגות כממוצע ± סטיית תקן על פני חמש הרצות ניסוייות עצמאיות (n = 5). פסי השגיאה מייצגים סטיית תקן אחת. מובהקות סטטיסטית הוערכה באמצעות מבחן t דו-זנבי לעצמאיים (p < 0.05). אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

טבלה 6: השוואת מדד יציבות תבניות קוונטיות (QPSI) עבור גדלי מערכי נתונים שונים.השוואה של מדד יציבות תבניות קוונטיות (QPSI) שהושג על ידי ML-HQNC ומודלים מתחרים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמישה הרצות ניסוייות עצמאיות (n = 5). אנא לחצו כאן להורדת טבלה זו.

figure-results-4
איור 7: השוואת רווח הסתגלות חוצת-דומיינים (CDAG) בגדלי מאגרי נתונים שונים.השוואה של רווח ההסתגלות חוצת-הדומיינים (CDAG) שהושג על ידי ML-HQNC ומודלים מתחרים בגדלי מאגרי נתונים שונים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמש הרצות ניסיוניות בלתי תלויות (n = 5). פסי השגיאה מייצגים סטיית תקן אחת. מובהקות סטטיסטית הוערכה באמצעות מבחן t דו-צדדי ובלתי תלוי (p < 0.05). אנא לחצו כאן כדי לצפות בגרסה 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 חמש הרצות ניסוייות עצמאיות (n = 5). אנא לחצו כאן להורדת טבלה זו.

figure-results-5
איור 8: השוואת דיוק הסיווג על פני גדלי מאגרי נתונים שונים. השוואה של דיוק הסיווג שהושג על ידי ML-HQNC ומודלים מתחרים על פני גדלי מאגרי נתונים שונים. התוצאות מדווחות כממוצע ± סטיית תקן על פני חמש הרצות ניסוייות בלתי תלויות (n = 5). פסי השגיאה מייצגים סטיית תקן אחת. מובהקות סטטיסטית הוערכה באמצעות מבחן t דו-זנבי ובלתי תלוי (p < 0.05). אנא לחץ כאן כדי להציג גרסה מורחבת של איור זה.

טבלה 8: השוואת דיוק הסיווג בין גדלי מאגרי נתונים שונים. השוואה של דיוק הסיווג 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.

figure-results-6
איור 9: השוואת זמני חישוב עבור גדלי מאגרי נתונים שונים. השוואה של זמן הביצוע החישובי של ML-HQNC לעומת מודלים מתחרים עבור גדלי מאגרי נתונים שונים. התוצאות מוצגות כממוצע ± סטיית תקן על פני חמישה 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-זנבי לעינאות בלתי תלויות (p < 0.05). אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

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

figure-results-7
איור 10: השוואת השטח תחת עקומת מאפייני המקלט (AUC).השוואת ה-AUC שהושג על ידי ML-HQNC ומודלים מתחרים לזיהוי עניין של סטודנטים להנדסה. ערכי ה-AUC המדווחים תואמים להרצה ניסויית אחת; לכן, לא מוצגים פסי שגיאה או ניתוחים של מובהקות סטטיסטית. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

איור משלים 1 מציג את מטריצת המתאם של משתנים התנהגותיים מייצגים. נמצאו מתאמים חיוביים חזקים בין Avg_Score לבין Course_Completion_Rate (0.81) ובין Attendance_Rate לבין Course_Completion_Rate (0.75). נמצאו מתאמים בינוניים 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 הדיוק של האימון והבדיקה. מסגרת ה-ML-HQNC המוצעת השיגה דיוק אימון של 96.1% ודיוק בדיקה של 93.8%, תוצאה העולה 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 (training loss) הנמוך ביותר (0.21) ואת הפסד הבדיקה (testing loss) 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 והסיווג המלא של ML-HQNC הוביל לשיפורים הדרגתיים בביצועי הסיווג, מה שמעיד על תרומתו של כל רכיב למסגרת הכוללת.

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

טבלה 12: השוואת ביצועים כוללת. השוואה בין ML-HQNC לבין מודלים מתחרים באמצעות מספר מדדי הערכה. התוצאות מוצגות כממוצע ± סטיית תקן על פני חמש הרצות ניסוייות עצמאיות (n = 5). אנא לחצו כאן להורדת טבלה זו.

זמינות נתונים:
מאגר הנתונים המקורי של הערכת 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 והגדרה, תיאורי מאפיינים, תהליך עיבוד מקדימה ותיעוד תומך הנדרש לשחזור הניסויים המדווחים — הופקדו במאגר Zenodo הנגיש באופן פתוח: https://doi.org/10.5281/zenodo.21393413.

figure-results-8
איור 3: איסוף מאפיינים של מערך נתוני הערכת איכות ההוראה.מבנה והרכב המאפיינים של מערך נתוני הערכת איכות ההוראה ששימש לזיהוי תחומי עניין של סטודנטים להנדסה. אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

איור משלים 1: מטריצת מתאם של מאפיינים. מטריצת מתאם המציגה קשרים זוגיים בין משתנים חינוכיים והתנהגותיים מייצגים שנעשה בהם שימוש במסגרת ה-ML-HQNC המוצעת. אנא לחצו כאן להורדת קובץ זה.

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

איור משלים 4: ניתוח הפסד אימון. השוואה של הפסד האימון שהושג על ידי ML-HQNC ומודלים מתחרים במהלך אופטימיזציית המודל. אנא לחץ 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 כדי להוריד קובץ זה.

טבלה משלימה 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 המקדמים Box–Cox Robust IQR Scaling (BCRIS). השוואה של מאפייני מערכי נתונים מייצגים לפני ואחרי עיבוד המקדמים, כולל ערכים חסרים, רשומות כפולות, טיפול בחריגים, נורמליזציה של תכונות ועקביות נתונים. אנא לחץ כאן להורדת קובץ זה.

טבלה נלווית 3: מאפיינים מייצגים שהופקו על ידי מודל המצב הקוגניטיבי הקוונטי (QCSM). מאפיינים התנהגותיים מייצגים שהופקו על ידי ה-QCSM לאחר עיבוד מקדמי של הנתונים, הכוללים מאפייני מצב קוגניטיבי, מעורבות, אי-ודאות, מעבר נושא ועקביות התנהגותית. אנא לחצו כאן להורדת קובץ זה.

טבלה נלווית 4: מאפיינים שנבחרו על ידי אלגוריתם בחירת המאפיינים Quantum-Enhanced Swarm–Whale Optimization (QES-WOFS). תת-קבוצת המאפיינים הסופית שנבחרה על ידי אלגוריתם ה-QES-WOFS, יחד עם קטגוריות המאפיינים המתאימות, רמות ההשפעה היחסית והתפקידים התפקודיים בתוך המסגרת המוצעת. אנא לחץ כאן להורדת קובץ זה.

טבלה משלימה 5: קטגוריות לניבוי איכות הוראה. תיאור של קטגוריות הניבוי ומאפיינים התנהגותיים מייצגים ששימשו את מסגרת ה-ML-HQNC המוצעת. אנא לחצו כאן כדי להוריד קובץ זה.

טבלה משלימה 6: ניתוח רגישות של השוליים.סיכום של ניתוח רגישות השוליים שנעשה 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 Box–Cox Robust IQR Scaling (BCRIS), Quantum Cognitive State Model (QCSM), Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS), ו-Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) המתוארים בפרוטוקול הראשי. הוא כולל גם הגדרות של מדדי ההערכה, פרמטרי סימולציה, הגדרות ניסוייות, וטבלאות משלימות S1–S6 התומכות בתוצאות המוצגות במאמר הראשי. אנא לחצו כאן להורדת 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 בנגבו (Bengbu University), בנגבו, סין, על אספקת התמיכה האקדמית וסביבת המחקר שסייעו למחקר זה. לא התקבל מימון חיצוני למחקר זה. עבודה זו נתמכה על ידי פרויקט הנדסת האיכות השנתי ברמת בית הספר לשנת 2025 של אוניברסיטת בנגבו (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

EngineeringDeep LearningClassical engineering student modelEngineering CollegeTeaching management systemBCRISQES WOFS and ML HQNC
צור קשר
המלצה לספרייה

פרטיות

תנאי שימוש

מדיניות

2026 © זכויות יוצרים MyJoVE Corporation. כל הזכויות שמורות.