التجميع الهرمي المُعزَّز مع هندسة السمات لأتمتة تصنيف أداء الطلاب والتنبؤ بالتسرب الدراسي

يُعد النجاح التعليمي ركيزةً أساسيةً للتنمية المجتمعية، إلا أن تزايد معدلات التسرب الدراسي بين الطلاب يفرض تحدياتٍ مستمرة. وعلى الرغم من شيوع استخدام نماذج التعلم المُراقب (Supervised Learning) للتنبؤ بالتسرب، إلا أنها تعتمد على بياناتٍ مُصنَّفةٍ يدوياً؛ وهي عمليةٌ تستغرق وقتاً طويلاً وتتطلب تدخلاً من الخبراء. وكبديلٍ لذلك، جرى استكشاف نماذج التعلم غير المُراقب (Unsupervised Learning)، وتحديداً تقنيات التجميع (Clustering)؛ غير أن الأساليب الحالية تكتفي عادةً بتجميع الطلاب بناءً على أنماط نشاطهم دون توليد تصنيفاتٍ ثنائية (مثل: "متسرب" أو "ناجح"). علاوةً على ذلك، غالباً ما تعتمد فعالية هذه الأساليب بشكلٍ كبيرٍ على جودة السمات المختارة، كما أن معظم الحلول الحالية لا تستخدم سوى مجموعاتٍ محدودةٍ أو مُهيكلةٍ مسبقاً من البيانات المؤسسية. تعالج هذه الورقة البحثية هذه التحديات من خلال تقديم نموذج EHCFE (التجميع الهرمي المُحسَّن مع هندسة السمات)، الذي يهدف إلى توليد تصنيفاتٍ ثنائيةٍ تلقائياً من مجموعات بياناتٍ تعليميةٍ غير مُصنَّفة. يعتمد EHCFE على "هندسة السمات" (Feature Engineering) من خلال استنباط سماتٍ جديدةٍ استناداً إلى السمات الأكثر أهمية التي يتم تحديدها أثناء مرحلة اختيار السمات، مع الاحتفاظ في الوقت ذاته بمجموعة السمات الأصلية؛ مما يؤدي إلى تحسين دقة النتائج التصنيفية. تم تقييم هذا النهج باستخدام ثلاث مجموعات بيانات، ومقارنته بنماذج حالية وأخرى متطورة (State-of-the-art) عبر مقاييس تقييمٍ متعددة، تشمل: مقياس F1 (F1 score)، والمساحة تحت منحنى خصائص تشغيل المستقبل (AUC)، ومعامل "سيلويت" (Silhouette coefficient). وقد أظهرت النتائج التجريبية تفوق EHCFE، حيث حقق أعلى قيمٍ لمقياس F1 (0.709 و0.28) وأعلى قيمٍ لـ AUC (0.766 و0.81) في اثنتين من مجموعات البيانات. كما أظهر تحليل الترتيب -وفقاً لستة مقاييس تقييم- تفوق EHCFE على النماذج القائمة، محققاً أفضل متوسط ​​ترتيب (1.50 و1.83) في مجموعتين من البيانات، وترتيباً تنافسياً بلغ 1.92 في المجموعة الثالثة. المزيد