الامتحان النهائي لم يأت بعد ولكن الخوارزمية تقول سأرسب بالتأكيد في الفيزياء
الفيزياء في الكلية هي مقرر دراسي أساسي إلزامي لطلبة العلوم والهندسة، ولكن بسبب صعوبتها، فإن العديد من الطلاب يشعرون بالرهبة منها. واقترح الباحثون استخدام خوارزميات الذكاء الاصطناعي للتنبؤ بالطلاب المعرضين لخطر الرسوب في دروس الفيزياء، حتى يتمكن المعلمون من تقديم التوجيه التدريسي بشكل أفضل وضبط تخصيص الموارد التعليمية.
لا بد من القول إن القدرات التنبؤية للخوارزميات أصبحت قوية بشكل متزايد، بدءًا من التنبؤ بما إذا كان الزوجان سيتشاجران إلى التنبؤ بموعد حدوث الزلازل والفيضانات وما إلى ذلك.
يمكن للخوارزميات الآن التنبؤ بما إذا كنت ستفشل في مادة الفيزياء أم لا.
هذه دراسة حديثة نشرت على موقع arxiv.org من قبل علماء من جامعة غرب فرجينيا ومعهد كاليفورنيا للتكنولوجيا.
لقد نشروا ورقة مثيرة للاهتمام:استخدام التعلم الآلي لتحديد الطلاب الأكثر عرضة للخطر في دروس الفيزياء
وتشير الورقة إلى أنه من خلال خوارزميات التعلم الآلي، يمكن تقييم درجات التخرج للطلاب في دورات الفيزياء الأساسية. يقوم النموذج التنبئي بتصنيف الطلاب إلى درجات A، B، C، D، F و W (الانسحاب).
ملاحظة: درجات التقييم والنسب المئوية المعتمدة من قبل معظم الكليات والجامعات في الولايات المتحدة هي تقريبًا كما يلي: أ: 90+؛ ب: 80+؛ ج: 70+؛ د: 60+؛ ف: الفشل؛ و: الانسحاب (اختصار للانسحاب).
النتائج المتوقعة: أطلق الإنذار، فلا يزال بإمكانك حفظه
هل تتذكر الذعر الذي أصابك بسبب سيطرة الفيزياء الجامعية عليك؟
بالنسبة للعديد من طلاب العلوم والهندسة، فإن الفيزياء الجامعية صعبة مثل الرياضيات المتقدمة وهي واحدة من أكثر المواد الدراسية صعوبة.
تظهر دراسة أجنبية أن من بين الطلاب الذين تخصصوا في الهندسة والعلوم (المعروفة مجتمعة باسم STEM) ولكنهم غيروا تخصصهم في النهاية أو فشلوا في الحصول على درجة علمية،وقد فعل نصفهم ذلك لأن موادهم الدراسية الرئيسية، مثل الفيزياء والرياضيات، كانت صعبة للغاية.
إن معدل استنزاف طلاب العلوم والتكنولوجيا والهندسة والرياضيات، وخاصة أولئك في التخصصات الأساسية، يتزايد سنة بعد سنة. وفي الوقت نفسه، يظل الطلب المجتمعي عليهم مرتفعا، مما يؤدي إلى فجوة كبيرة في المواهب.
لذلك اقترح باحثون من جامعة غرب فرجينيا ومعهد كاليفورنيا للتكنولوجيا أندعونا نستخدم خوارزميات الذكاء الاصطناعي لإنقاذ هؤلاء الطلاب.
ويعتقدون أن خوارزميات التعلم الآلي يمكن استخدامها لتحديد الطلاب المعرضين لخطر الرسوب في الدورة الدراسية. وبهذه الطريقة، يستطيع المعلمون تقديم إرشادات مستهدفة بناءً على النتائج المتوقعة، وبالتالي تحسين معدل نجاح الطلاب وفهم إتقانهم للمعرفة في الوقت المناسب.
الخوارزمية: الرجوع إلى الأداء السابق للتنبؤ بالنتائج المستقبلية
استخراج العينة
استخدم الباحثون ثلاث عينات من جامعتين لتدريب خوارزمية الذكاء الاصطناعي للتنبؤ بأداء الطلاب.
تتضمن بيانات العينة ما يلي:درجات الطلاب في اختبار ACT (اختبار القبول بالجامعة الأمريكية)، ومعدل النقاط التراكمي في الكلية، والبيانات التي تم جمعها في فصول الفيزياء (مثل درجات الواجبات المنزلية ونتائج الاختبارات).
ومن بين هذه العينات، كانت العينتان 1 و2 من طلاب متخصصين في العلوم الفيزيائية والهندسة في إحدى الجامعات الواقعة في شرق الولايات المتحدة.
العينة 1:تم تضمين جميع الطلاب الذين أكملوا دورة الفيزياء 1 في الكلية من عام 2000 إلى عام 2018، مع حجم عينة بلغ 7184.
العينة 2: وتغطي البيانات الفصول الدراسية من خريف عام 2016 إلى ربيع عام 2019، مع حجم عينة يبلغ 1683 طالبًا. تتضمن العينة بيانات أداء الفصل الدراسي، مثل متوسط عدد الإجابات، ومتوسط درجات الواجبات المنزلية، ودرجات امتحانات الفصل الدراسي.
العينة 3:وتأتي البيانات من دورة تمهيدية في الميكانيكا للعام الدراسي 2017 بأكمله. وتم جمع العينة 3 في جامعة أخرى تقع في غرب الولايات المتحدة.
عامل
المتغيرات المستخدمة في هذه الدراسة كلها من داخل الجامعة والفصل الدراسي. وفي الوقت نفسه، يتم أيضًا تضمين بعض المعلومات الديموغرافية مثل الجنس والعرق.
التنبؤ بخوارزمية الغابة العشوائية
في الدراسة،تم استخدام خوارزمية التعلم الآلي للغابات العشوائية للتنبؤ بالدرجات النهائية للطلاب في دورة الفيزياء التمهيدية.ستقوم الخوارزمية في النهاية بتقسيم الطلاب إلى أولئك الذين حصلوا على A أو B أو C (يُصنفون كطلاب ABC) وأولئك الذين حصلوا على D أو F أو W (يُصنفون كطلاب فشل محتمل في DFW).
لفهم أداء الخوارزمية، قاموا بتقسيم مجموعة البيانات إلى مجموعات بيانات اختبار وتدريب. يتم استخدام مجموعة بيانات التدريب لتطوير نموذج التصنيف لتدريب المصنف.
يتم استخدام مجموعة بيانات الاختبار لتوصيف أداء النموذج.
بعد أن يتنبأ نموذج التصنيف بنتائج الاختبار لكل طالب في مجموعة بيانات الاختبار، تتم مقارنة التوقعات بالنتائج الفعلية.
النتيجة: محرج، دقة 57 %
وبعد تعديل النموذج والتحقق منه، توصل الباحثون إلى نتيجة تنبؤية، إلا أن معدل الدقة ليس متفائلاً للغاية...
وأشاروا إلى أنه في نتائج التنبؤ للعينة بأكملها،بالنسبة للعينات التي تحتوي على عدد أكبر من الطالبات والأقليات، فإن دقة DFW أقل.وأشاروا إلى أن هذا الأمر يتطلب إدخال تعديلات على النموذج بما يتناسب مع التركيبة السكانية.
في العينة الأولىتتنبأ الخوارزمية المدربة فقط بـ "طلاب من نوع DFW" بدقة 16%.وقد حلل الباحثون أن هذا قد يكون بسبب النسبة المنخفضة للطلاب الذين حصلوا على درجات DFW في مجموعة التدريب (12٪).
في العينة 1،كان أفضل أداء للنموذج هو 57% فقط، وهو أفضل قليلاً من الصدفة العشوائية.
النتائج منخفضة الدقة والنموذج مثير للجدل
وأمام هذه النتيجة، يعتقد الباحثون أن هذا النوع من نموذج تصنيف التعلم الآلي قد يكون أداة قوية للمعلمين والطلاب الذين يواجهون صعوبات في التعلم.ويمكنه توجيه التدخل التعليمي وتخصيص الموارد التعليمية بشكل أفضل.
المستخدمون: ولكن... أليس 57% منخفضًا بعض الشيء؟
ومع ذلك، يعتقد بعض النقاد أنقد تؤدي التكنولوجيا مثل هذه إلى توقعات متحيزة أو مضللة من شأنها أن تضر بالطلاب.
لقد أظهرت الدراسات باستمرار أنه حتى عند تدريب الذكاء الاصطناعي على مجموعات كبيرة من البيانات، فإنه لا يزال من الممكن أن يكون لديه تحيزات عندما يتعلق الأمر بالتنبؤ بالنتائج المعقدة.
في السابق، تم تعطيل أداة التوظيف الداخلية للذكاء الاصطناعي في أمازون لأنها أظهرت تحيزًا ضد النساء.
ولذلك، يشعر الناس بالقلق أيضا من أن هذا النوع من خوارزمية التنبؤ بالدرجات لن يفشل في تحسين معدل الاحتفاظ بطلاب العلوم والتكنولوجيا والهندسة والرياضيات فحسب، بل سيؤدي أيضا إلى تفاقم عدم المساواة.
وبطبيعة الحال، فإن جميع النتائج هي مجرد توقعات. أما بالنسبة للامتحانات، فإن 30% منها يعتمد على القدر، و70% يعتمد على الاجتهاد، و90% المتبقية تعتمد على مزاج المعلم.
-- زيادة--