التحليلات التعليمية Learning Analytics: مؤشرات أداء التدريب
التحليلات التعليمية Learning Analytics هي جمع بيانات التعلم وتحليلها وتفسيرها لإنتاج قرارات تحسن تجربة المتدرب ونتائج التعلم. لا يكفي عرض عدد الدخول أو نسبة الإكمال؛ يجب ربط كل مؤشر بسؤال تعليمي، وفحص جودة البيانات، ثم اتخاذ إجراء ومراجعة أثره مع حماية خصوصية المشاركين.
ما المقصود بالتحليلات التعليمية؟
تعرّف جمعية SoLAR التحليلات التعليمية بأنها جمع بيانات عن المتعلمين وتعلمهم وتحليلها وتفسيرها والتواصل بنتائج قابلة للتطبيق لتحسين التعليم والتعلم. التركيز هنا على قرار تعليمي له أثر، وليس على رسم بياني جميل فقط. يمكن أن تكون البيانات درجات أنشطة، أو توقيت تقديم المهام، أو ملاحظات جودة، أو استبيانات مصممة بعناية.
التمييز المهم أن نظام إدارة التعلم LMS يسجل أحداثًا ويقدم وظائف تشغيلية، بينما التحليلات التعليمية تبدأ بسؤال: لماذا يتعثر المتدربون عند نشاط معين؟ وقد تحتاج الإجابة إلى مقابلة أو مراجعة تصميم المهمة، لا إلى بيانات المنصة وحدها. كما أن ارتفاع عدد النقرات قد يعكس ارتباكًا في الواجهة، وليس اهتمامًا أكبر بالتعلم.
| نوع البيانات | مثال | القرار الذي قد تدعمه |
|---|---|---|
| تشغيلية | بدء الوحدة وإكمالها | تحسين رسائل الإرشاد |
| تعليمية | نتيجة مهمة تطبيقية | إعادة شرح مفهوم |
| تجربة المستخدم | تعثر في الوصول إلى ملف | إصلاح الواجهة |
| نوعية | ملاحظة مدرب عن خطأ شائع | إضافة تمرين موجه |
ابدأ بسؤال تعليمي لا بلوحة مليئة بالأرقام
اختر سؤالًا واحدًا له مالك قرار واضح، مثل: هل تؤدي صعوبة التعليمات في الوحدة الثانية إلى انسحاب بعض المتدربين؟ ثم حدد البيانات التي يمكن جمعها بطريقة مشروعة ومناسبة، وما الإجراء الذي ستتخذه إذا تأكدت المشكلة. من دون هذا الربط قد تتحول لوحة القياس إلى تقرير شهري لا يغير شيئًا.
حدد وحدة التحليل: متدرب، أو مجموعة، أو نشاط، أو دورة. ولا تخلط بين تسجيلات متعددة للشخص نفسه وعدد الأفراد الفعليين. اكتب تعريف كل مؤشر قبل الحساب، بما يشمل المقام والبسط وفترة القياس وطريقة التعامل مع الإعفاءات والانسحابات. هذه التفاصيل الصغيرة تمنع مقارنات مضللة بين دفعات مختلفة.
أهم مؤشرات أداء التدريب وكيف تحسبها
يمكن البدء بمعدل البدء والإكمال والنجاح في مهمة محددة، ثم إضافة زمن الاستجابة للتغذية الراجعة ومعدل العودة بعد التعثر. يجب أن تفسر كل قيمة في ضوء طبيعة البرنامج: دورة ذاتية تختلف عن ورشة مباشرة، ووحدة اختيارية تختلف عن اختبار إلزامي. ولا يعني زمن التعلم الأطول جودة أعلى بالضرورة.
المعادلات التالية تعريفات تشغيلية مقترحة وليست معايير إلزامية. مثال: إذا بدأ 80 متدربًا وحدة وأنهاها 60، فإن معدل الإكمال بين البادئين يساوي 60 ÷ 80 × 100 = 75%. لكن إن كان المسجلون 100، فإن نسبة الإكمال إلى المسجلين 60%. كلاهما صحيح حسابيًا لكنه يجيب عن سؤال مختلف.
| المؤشر | صيغة الحساب المقترحة | تنبيه التفسير |
|---|---|---|
| معدل البدء | عدد من بدأوا ÷ المسجلين × 100 | تأكد من تعريف البدء |
| إكمال بين البادئين | المكملون ÷ البادئون × 100 | لا يثبت الإتقان |
| إتقان المهمة | المستوفون للمعيار ÷ من قيّموا × 100 | راجع صعوبة المهمة |
| الاستجابة للدعم | الطلبات المجابة ضمن المدة ÷ الطلبات × 100 | يتأثر بحجم الطلبات |
| تحسن المهمة | فرق نتيجة متكافئة قبل وبعد | ليس إثباتًا للسببية وحده |
مثال لوحة متابعة تدريبية ببيانات افتراضية
لنفترض برنامجًا تدريبيًا تجريبيًا به 100 مسجل، بدأ 80 منهم، وأكمل 60، ونجح 45 من المكملين في مهمة نهائية. النسب المحسوبة: البدء 80% من المسجلين، والإكمال 75% من البادئين، والنجاح 75% من المكملين، والنجاح 45% من المسجلين. كل نسبة تكشف جزءًا مختلفًا من الرحلة، ولذلك لا يجوز عرض «نسبة النجاح 75%» دون توضيح المقام.
قد تكشف المراجعة أن أكثر حالات التعثر تقع عند تمرين يحتاج ملفًا غير واضح الاسم. عندها يكون الإجراء الأول إصلاح رابط الملف وتعليماته، لا إرسال رسالة تحفيزية عامة. وبعد التعديل تُراقب الدفعة التالية مع الانتباه لاختلاف مستويات المشاركين. جميع الأعداد هنا افتراضية للتوضيح، وليست بيانات فعلية من معهد مسارتك.
| المؤشر | العدد الافتراضي | النسبة والسياق |
|---|---|---|
| المسجلون | 100 | خط أساس |
| بدأوا | 80 | 80% من المسجلين |
| أكملوا | 60 | 75% من البادئين |
| نجحوا في المهمة | 45 | 75% من المكملين؛ 45% من المسجلين |
كيف تقرأ البيانات دون الوقوع في مغالطات؟
أهم خطأ هو الخلط بين الارتباط والسببية. قد يرتبط كثرة دخول المنصة بنتائج أفضل لأن المتدربين الأكثر استعدادًا يستخدمونها أكثر، وليس لأن عدد الدخول بحد ذاته سبب النجاح. وقد تنخفض نسب الإكمال في دورة متقدمة بسبب صعوبة محتواها، فلا يصح مقارنتها بدورة تمهيدية دون مراعاة الفروق.
استخدم شرائح مقارنة عادلة عند الحاجة: مستوى الخبرة السابق، ونمط الدراسة، وحجم العينة، وصعوبة التقييم. راقب أثر التغيرات على أكثر من دفعة، واطلب تفسيرًا نوعيًا من المدرب والمتدربين قبل تعديل البرنامج. تجنب بناء استنتاجات كبيرة على فروق صغيرة، ولا تخفِ البيانات المفقودة أو الاختبارات غير المكتملة.
- افحص المقام لكل نسبة قبل المقارنة.
- ميّز النشاط عن دليل التعلم.
- وثّق تغير تصميم الاختبار أو سياسة الإكمال.
- راجع أثر حجم العينة والبيانات الناقصة.
لوحة مؤشرات قابلة للاستخدام لا مجرد عرض بصري
ضع في أعلى اللوحة ثلاثة أسئلة تشغيلية: أين يتعثر المتدربون؟ ما المهارة التي تحتاج دعمًا؟ وما الإجراء الذي اتخذناه؟ تحت كل سؤال مؤشر واضح مع تعريفه وتاريخه ومصدره. استخدم رسومًا بسيطة مع إمكانية الانتقال إلى مستوى النشاط دون إظهار أسماء المشاركين لمن لا يحتاجونها.
يمكن استخدام أدوات تحليل مثل Power BI عندما تتوافر بيانات منظمة وصلاحيات مناسبة، لكن الأداة ليست شرطًا للبدء. قبل بناء الرسوم، ضع قاموس بيانات يتضمن معنى «مكتمل» و«ناجح» و«نشط» ومتى تُحدّث القيم. ثم اختبر اللوحة مع مدرب: هل يستطيع اتخاذ قرار خلال دقائق أم يحتاج إلى تفسير طويل من محلل البيانات؟
| بطاقة اللوحة | المعروض | القرار الممكن |
|---|---|---|
| رحلة التسجيل | مسجل ← بدأ ← أكمل | تبسيط بدء الدورة |
| خريطة الأنشطة | تعثر بحسب المهمة | تحسين نشاط محدد |
| مخرجات التعلم | مستويات Rubric | إضافة تدريب عملي |
| سجل التحسين | إجراء وتاريخ ومالك | متابعة أثر التعديل |
الخصوصية والأخلاقيات في تحليل بيانات المتدربين
اجمع الحد الأدنى من البيانات اللازمة لسؤال تعليمي واضح، وحدد من يستطيع الوصول إليها، ومدة الاحتفاظ بها، وكيف تشرح الغرض للمشاركين. لا تستخدم البيانات في غرض جديد دون أساس مناسب، ولا تعرض لوحات فردية حساسة لفرق لا تحتاجها. عند تحليل مجموعات صغيرة، قد يؤدي عرض تفاصيل كثيرة إلى التعرف على أشخاص حتى دون أسماء.
تؤكد الأدبيات الأخلاقية في Learning Analytics على الشفافية والإنصاف والمساءلة؛ لذا لا ينبغي اتخاذ قرار مؤثر بحق متدرب اعتمادًا على تنبؤ آلي وحده. راجع الأنظمة والسياسات السعودية المطبقة على الجهة عند التعامل مع بيانات شخصية. الهدف تقديم دعم تعليمي أفضل، لا تحويل المتابعة إلى مراقبة مفرطة.
محتوى توعوي إداري وليس استشارة قانونية. ينبغي مراجعة سياسة الخصوصية واللوائح السعودية الحالية عند تنفيذ أي نظام يجمع بيانات متدربين.
خطة تنفيذ أول 30 يومًا
في الأسبوع الأول اختر سؤالًا تعليميًا واحدًا وراجع مصادر البيانات المتاحة. في الأسبوع الثاني نظّف التعريفات واختبر جودة سجل النشاط ونتائج المهام. في الثالث أنشئ لوحة بسيطة مع فريق التدريب واطلب تفسيرًا للأنماط غير المعتادة. وفي الرابع نفّذ تحسينًا واحدًا صغيرًا وسجل ما تغير وكيف ستراجع أثره لاحقًا.
لا تبدأ بنموذج تنبؤ معقد قبل التحقق من أبسط المقاييس. قد يكون إصلاح تعليمات نشاط واحد أكثر فائدة من لوحة تحتوي عشرات المؤشرات. وخصص مسؤولًا عن جودة البيانات ومسؤولًا تربويًا عن تفسير النتائج؛ فالتعاون بينهما يقلل مخاطر تحويل كل تغير في الرقم إلى قصة غير مدعومة.
| الفترة | المهمة | المخرج |
|---|---|---|
| الأسبوع 1 | تحديد سؤال وأصحاب القرار | بطاقة هدف |
| الأسبوع 2 | تعريف المؤشرات وفحص الجودة | قاموس بيانات |
| الأسبوع 3 | لوحة ومراجعة تفسيرية | ملخص تعثر |
| الأسبوع 4 | تعديل صغير وخطة متابعة | سجل تحسين |
قائمة مراجعة جودة التحليلات التعليمية
اسأل قبل نشر أي لوحة: هل نعرف مصدر كل رقم؟ وهل تعريف المؤشر ثابت؟ وهل نتعامل مع القيم المفقودة بوضوح؟ وهل تعرض النتائج مجمعة بقدر مناسب؟ وهل هناك قرار تعليمي محدد مرتبط بالمؤشر؟ وهل نراجع أي استنتاج آلي قبل تأثيره في الأفراد؟
المعيار العملي للنجاح ليس عدد الرسوم، بل وجود دورة تعلم مؤسسية: ملاحظة، ثم تفسير، ثم تدخل، ثم قياس جديد. بهذا تصبح التحليلات التعليمية وسيلة لتحسين التدريب لا مشروع تقارير منفصلًا عنه.
- مصدر وتاريخ وتعريف لكل مؤشر.
- مقام واضح لكل نسبة.
- مراجعة بشرية للتفسيرات المهمة.
- تقليل بيانات التعريف الشخصي.
- توثيق تدخل تعليمي ونتيجته.
المراجع والمصادر
مصادر للاطلاع والتوسع؛ مراجعة السياسات والمعايير الرسمية الحالية مطلوبة عند التطبيق المؤسسي.
أسئلة شائعة حول التحليلات التعليمية
هل معدل الإكمال دليل على نجاح التدريب؟
هو مؤشر تشغيل مهم، لكنه لا يثبت أن المتدرب أتقن المهارة. يجب الجمع بينه وبين أدلة مثل نتائج مهمة تطبيقية أو اختبار متوافق مع نواتج التعلم.
ما أول ثلاثة مؤشرات نتابعها؟
ابدأ بمؤشر الوصول، ومؤشر التقدم أو الإكمال، ومؤشر أداء تعليمي مثل نجاح مهمة محددة. ثم أضف مؤشرات أخرى عندما يوجد سؤال واضح يحتاج الإجابة عنه.
هل يمكن استخدام التحليلات للتنبؤ بمن سيتعثر؟
قد تساعد النماذج في تحديد أنماط تستحق الدعم، لكنها ليست حكمًا على الفرد. يجب اختبار جودة البيانات والتحيز والإنذارات الخاطئة، وإبقاء القرارات المؤثرة خاضعة لمراجعة بشرية.
هل نحتاج أداة ذكاء اصطناعي لبدء Learning Analytics؟
لا. يمكن البدء بملف منظم ولوحة مؤشرات بسيطة ومراجعة دورية للنتائج. جودة التعريفات والبيانات والسؤال التعليمي أهم من تعقيد التقنية المستخدمة.